Mengenal JADEPUFFER, Ransomware yang Dikendalikan AI

Serangan ransomware selama ini identik dengan kelompok peretas yang mengendalikan setiap tahapan serangan secara manual. Mereka mencari celah keamanan, mencuri kredensial, berpindah dari satu sistem ke sistem lain, hingga mengenkripsi data korban. Namun, perkembangan kecerdasan buatan (AI) mulai mengubah pola tersebut. Kemunculan JADEPUFFER menunjukkan bagaimana large language model (LLM) dapat digunakan untuk menjalankan rangkaian serangan secara lebih otomatis dan adaptif.

Pada awal Juli 2026, peneliti keamanan dari Sysdig menerbitkan analisis yang mereka nilai sebagai kasus ransomware berbasis agentic AI pertama yang terdokumentasi. Dalam kasus ini, aktor ancaman yang disebut JADEPUFFER memanfaatkan LLM untuk menjalankan berbagai tahapan serangan dengan sedikit atau bahkan tanpa campur tangan manusia selama operasi berlangsung.

JADEPUFFER pertama-tama mengeksploitasi celah keamanan pada Langflow, sebuah framework open source berbasis Python yang digunakan untuk membangun aplikasi AI. Setelah memperoleh akses, sistem melakukan pengintaian terhadap lingkungan, mencari kredensial dan informasi penting, kemudian berpindah menuju server produksi yang menjadi target sebenarnya.

Di server tersebut, JADEPUFFER menjalankan aktivitas ransomware terhadap data konfigurasi. Yang menarik, ketika salah satu langkah serangan tidak berjalan sesuai rencana, agen AI dapat menyesuaikan pendekatannya dan mencoba kembali hanya dalam hitungan detik.

Temuan ini memperlihatkan bahwa ancaman AI tidak selalu harus berupa teknik serangan yang benar-benar baru. AI justru dapat membuat teknik lama menjadi lebih cepat, fleksibel, dan mudah dijalankan.

Apa Itu Ransomware Berbasis Agentic AI?

Sebelum memahami JADEPUFFER, penting untuk mengetahui konsep agentic AI. Secara sederhana, agentic AI adalah sistem AI yang tidak hanya menjawab pertanyaan atau menghasilkan konten, tetapi juga dapat menjalankan serangkaian tindakan untuk mencapai tujuan tertentu.

LLM biasanya digunakan untuk memahami instruksi, menganalisis informasi, menghasilkan kode atau perintah, kemudian menentukan langkah berikutnya berdasarkan hasil yang diperoleh.

Dalam konteks keamanan siber, kemampuan tersebut dapat dimanfaatkan untuk tujuan defensif maupun berbahaya. Sistem AI dapat membantu administrator menemukan kerentanan, menganalisis log, atau merespons insiden. Sebaliknya, kemampuan yang sama dapat digunakan penyerang untuk mengotomatisasi proses pengintaian, pencarian kredensial, eksploitasi sistem, hingga penyebaran ransomware.

Inilah yang membuat ransomware berbasis agentic AI berbeda dari ransomware konvensional.

Pada serangan tradisional, manusia biasanya menentukan langkah demi langkah yang harus dilakukan. Sementara itu, agen AI dapat diberi tujuan tertentu dan kemudian menyesuaikan tindakannya berdasarkan kondisi sistem yang ditemukan.

JADEPUFFER menjadi contoh penting karena menunjukkan bagaimana kemampuan tersebut dapat diterapkan dalam serangan nyata yang diamati oleh peneliti keamanan.

Langflow Menjadi Pintu Masuk

Serangan JADEPUFFER dimulai dari sebuah instans Langflow yang terbuka ke internet. Langflow merupakan framework yang digunakan untuk membangun aplikasi berbasis AI dan menghubungkan berbagai komponen seperti model bahasa, API, dan sumber data.

Masalahnya, sistem yang terhubung langsung ke internet selalu menjadi sasaran potensial apabila memiliki kerentanan yang belum ditambal. JADEPUFFER memanfaatkan CVE-2025-3248, yaitu kerentanan pada Langflow versi sebelum 1.3.0. Celah tersebut memungkinkan penyerang menjalankan kode melalui kelemahan pada API aplikasi.

Dengan memanfaatkan celah tersebut, penyerang dapat memperoleh kemampuan untuk menjalankan perintah pada sistem yang menjadi titik masuk. Menurut analisis Sysdig, JADEPUFFER menggunakan payload Python yang dikodekan dalam format Base64 melalui endpoint remote code execution yang rentan.

Tahap ini penting karena memberikan akses awal kepada agen. Namun, Langflow ternyata bukan tujuan akhir serangan.

Dari Akses Awal Menuju Target yang Lebih Berharga

Setelah memperoleh akses ke Langflow, JADEPUFFER mulai melakukan reconnaissance atau pengintaian. Dalam serangan siber, tahap ini digunakan untuk memahami lingkungan yang berhasil ditembus. Penyerang biasanya berusaha mengetahui sistem apa yang sedang digunakan, kredensial apa yang tersedia, layanan apa yang dapat diakses, dan perangkat lain apa yang mungkin menjadi target.

JADEPUFFER melakukan hal serupa.

Sistem mengumpulkan berbagai informasi penting, termasuk API key penyedia LLM, kredensial cloud, informasi dompet cryptocurrency, seed phrase, kredensial database, serta file konfigurasi. Informasi tersebut dapat menjadi sangat berharga karena kredensial yang ditemukan pada satu sistem terkadang memberikan akses ke sistem lain.

Karena itu, sebuah aplikasi yang awalnya tampak tidak terlalu penting dapat menjadi pintu masuk menuju infrastruktur yang jauh lebih kritis. Dalam kasus JADEPUFFER, Langflow berfungsi sebagai foothold atau pijakan awal. Setelah mendapatkan informasi yang diperlukan, agen kemudian bergerak menuju server produksi yang menjadi target sebenarnya.

JADEPUFFER Menyerang Server Produksi

Artefak yang dianalisis Sysdig menunjukkan bahwa target berikutnya adalah server produksi yang dapat diakses melalui internet. Server tersebut menjalankan MySQL dan Alibaba Nacos. Nacos merupakan platform untuk service discovery dan manajemen konfigurasi yang digunakan dalam lingkungan microservices.

Di sinilah kemampuan adaptasi JADEPUFFER mulai terlihat jelas. Agen mencoba membuat akun administrator backdoor di Nacos. Setelah akun dibuat, sistem kemudian memeriksa apakah kredensial tersebut dapat digunakan untuk masuk.

Percobaan tersebut tidak memberikan hasil seperti yang diharapkan. Dalam serangan yang dikendalikan sepenuhnya oleh manusia, operator biasanya akan menganalisis kegagalan tersebut sebelum membuat langkah berikutnya. Namun, pada kasus JADEPUFFER, perubahan pendekatan terjadi sangat cepat.

Menurut Sysdig, hanya 31 detik setelah percobaan sebelumnya, sistem menghasilkan payload koreksi. Payload tersebut mengganti akun dan mencoba kembali dengan parameter yang berbeda.

Kecepatan tersebut menjadi salah satu indikator penting bahwa proses serangan kemungkinan melibatkan mekanisme otomatis yang menggunakan hasil dari tindakan sebelumnya sebagai masukan untuk menentukan tindakan berikutnya.

Data Konfigurasi Menjadi Sasaran Ransomware

Setelah mencapai environment Nacos, JADEPUFFER memasuki tahap ransomware. Berbeda dengan ransomware yang biasanya mengenkripsi berbagai file pengguna atau dokumen perusahaan, serangan ini berfokus pada data konfigurasi Nacos.

Sysdig menemukan bahwa agen mengenkripsi 1.342 item konfigurasi. Sistem kemudian menghapus konfigurasi asli dan tabel riwayat sebelum membuat catatan tebusan di dalam database. Catatan tersebut menyatakan bahwa data telah dienkripsi dan meminta korban membayar menggunakan Bitcoin. JADEPUFFER juga mencantumkan alamat Bitcoin serta kontak Proton Mail.

Namun, penelitian Sysdig menemukan sesuatu yang cukup unik. Kunci enkripsi ternyata dibuat selama proses serangan. Kunci tersebut hanya ditampilkan satu kali dan tidak disimpan atau dikirim ke lokasi lain.

Kondisi ini menimbulkan persoalan serius bagi korban. Bahkan apabila korban memenuhi permintaan tebusan, kunci yang diperlukan untuk memulihkan data kemungkinan sudah tidak tersedia. Dengan kata lain, mekanisme tersebut membuat proses pemulihan data menjadi sangat sulit, bahkan setelah pembayaran dilakukan.

Mengapa JADEPUFFER Dianggap Berbeda?

Pertanyaan penting kemudian muncul: seberapa otomatis sebenarnya serangan JADEPUFFER?

Sysdig menilai bahwa setelah operasi dimulai, LLM berperan dalam menggerakkan serangan dari awal hingga akhir. Kesimpulan tersebut didukung oleh beberapa karakteristik yang ditemukan selama analisis.

Pertama, payload yang digunakan JADEPUFFER memiliki komentar dan deskripsi yang menjelaskan tujuan kode serta tindakan yang sedang dilakukan.

Pola tersebut disebut self-narrating code. Kode seolah-olah menjelaskan prosesnya sendiri. Karakteristik semacam ini konsisten dengan kode yang dihasilkan oleh LLM, meskipun keberadaan komentar tersebut sendirian tentu tidak dapat menjadi bukti mutlak bahwa seluruh operasi dijalankan AI.

Kedua, JADEPUFFER menunjukkan kemampuan beradaptasi dengan sangat cepat. Ketika satu metode gagal, agen dapat menghasilkan pendekatan lain dalam waktu singkat.

Ketiga, peneliti menemukan beragam payload untuk berbagai kebutuhan. Aktivitas tersebut mencakup pengintaian, pencarian kredensial, pemeriksaan sistem, akses database, enkripsi, hingga pembersihan jejak. Keragaman ini menunjukkan pola yang berbeda dari sekadar menjalankan satu skrip serangan yang sudah disiapkan sebelumnya.

Alamat Bitcoin Juga Menimbulkan Pertanyaan

Ada satu detail menarik lain dalam serangan tersebut, yaitu alamat Bitcoin yang tercantum dalam catatan tebusan. Menurut Sysdig, alamat tersebut ternyata merupakan contoh dompet yang digunakan dalam dokumentasi pengembang Bitcoin. Dompet tersebut memang aktif. Namun, peneliti tidak dapat memastikan apakah alamat tersebut sengaja dipilih oleh operator atau justru dihasilkan oleh LLM berdasarkan informasi yang terdapat dalam data pelatihannya.

Hal ini memperlihatkan salah satu kelemahan penting penggunaan LLM dalam aktivitas otomatis. LLM dapat menghasilkan informasi yang terlihat meyakinkan tetapi sebenarnya keliru. Dalam konteks serangan siber, kesalahan seperti ini dapat menghasilkan tindakan yang tidak sesuai dengan tujuan penyerang.

Karena itu, meskipun AI mampu menjalankan banyak proses secara otomatis, hasilnya tidak selalu sempurna.

Mengapa Ransomware Agentic AI Berbahaya?

JADEPUFFER memberikan gambaran mengenai bagaimana AI dapat mengubah ekonomi dan kecepatan serangan siber. Ransomware sebenarnya sudah memiliki pola serangan yang relatif terstruktur. Penyerang harus mendapatkan akses, melakukan pengintaian, mencari kredensial, bergerak secara lateral, menemukan data penting, kemudian menjalankan aksi pemerasan.

AI dapat membantu mengotomatisasi sebagian besar proses tersebut.

Dampak pertama adalah kecepatan serangan meningkat. Ketika agen dapat menganalisis hasil sebuah tindakan dan langsung membuat tindakan berikutnya, waktu yang tersedia bagi tim keamanan menjadi semakin pendek.

Dampak kedua adalah hambatan teknis bagi penyerang dapat berkurang. Seseorang tidak harus menguasai setiap aspek keamanan siber secara mendalam jika AI dapat membantu menghasilkan kode, menganalisis respons sistem, dan menentukan langkah berikutnya.

Namun, hal ini tidak berarti siapa pun yang menggunakan AI otomatis berubah menjadi peretas tingkat lanjut. Serangan tetap membutuhkan infrastruktur, akses, pengetahuan, dan kemampuan untuk mengarahkan sistem.

Dampak ketiga adalah serangan menjadi lebih adaptif. Ransomware tradisional dapat mengikuti pola yang sudah ditentukan. Agen AI memiliki kemampuan untuk menyesuaikan tindakan ketika menghadapi lingkungan yang berbeda atau ketika sebuah langkah tidak berhasil.

Kerentanan Lama Masih Menjadi Ancaman Serius

Salah satu pelajaran paling penting dari JADEPUFFER justru bukan mengenai teknologi AI, melainkan mengenai kerentanan lama. JADEPUFFER menggunakan CVE-2025-3248 untuk memperoleh akses awal. Artinya, serangan tersebut tidak harus bergantung pada celah keamanan baru yang belum diketahui.

Ini menjadi peringatan bagi organisasi yang masih memiliki sistem lama atau perangkat lunak yang belum diperbarui. Ketika serangan dilakukan secara manual, memeriksa banyak sistem rentan membutuhkan waktu dan tenaga. Dengan bantuan agen otomatis, proses tersebut dapat dilakukan jauh lebih cepat. Akibatnya, sistem yang selama ini dianggap "terlupakan" dapat kembali menjadi sasaran. 

Bagi organisasi, memperbarui perangkat lunak bukan lagi sekadar aktivitas rutin. Patch keamanan harus dipandang sebagai bagian penting dari strategi pertahanan terhadap serangan otomatis.

Bagaimana Organisasi Menghadapi Ancaman Agentic AI?

Tidak ada satu solusi yang dapat menghilangkan seluruh risiko serangan berbasis AI. Namun, organisasi dapat mempersempit peluang serangan dengan menerapkan sejumlah langkah dasar.

• Pertama, kurangi sistem yang terbuka ke internet. Aplikasi AI, layanan konfigurasi, database, dan panel administrasi sebaiknya tidak dapat diakses publik jika memang tidak diperlukan.
• Kedua, prioritaskan patch keamanan. Organisasi perlu mengetahui sistem apa saja yang digunakan, versi perangkat lunaknya, serta kerentanan yang memengaruhinya.
• Ketiga, lindungi kredensial dan rahasia digital. API key, password database, kredensial cloud, dan informasi sensitif lainnya sebaiknya disimpan menggunakan secrets manager, bukan diletakkan sembarangan dalam file konfigurasi.
• Keempat, terapkan prinsip least privilege. Setiap aplikasi, pengguna, dan layanan hanya boleh memiliki akses yang benar-benar diperlukan.
• Kelima, gunakan segmentasi jaringan. Jika sebuah aplikasi AI berhasil ditembus, penyerang seharusnya tidak dapat langsung berpindah ke database produksi atau sistem kritis lainnya.
• Keenam, perkuat kemampuan deteksi dan respons. Tim keamanan perlu mampu mendeteksi aktivitas tidak biasa, menjalankan isolasi sistem, serta menghentikan pergerakan penyerang sebelum mencapai aset penting.

Output AI Bisa Menjadi Petunjuk bagi Tim Keamanan

Temuan JADEPUFFER juga memberikan pendekatan menarik dalam pendeteksian. Payload yang digunakan agen memiliki komentar dan deskripsi yang sangat detail mengenai tujuan serta langkah yang sedang dilakukan. Karakteristik tersebut berpotensi menjadi salah satu sinyal yang dapat dianalisis oleh sistem keamanan.

Tim keamanan dapat memantau skrip, perintah, dan aktivitas otomatis yang berjalan pada server. Jika terdapat pola yang tidak biasa, terutama pada sistem yang sebelumnya tidak menjalankan aktivitas serupa, aktivitas tersebut dapat diperiksa lebih lanjut.

Pendekatan ini tentu tidak boleh menjadi satu-satunya metode deteksi. Komentar dalam kode bukan bukti bahwa sebuah serangan pasti dibuat AI. Namun, ketika digabungkan dengan pola aktivitas lain, informasi tersebut dapat membantu tim keamanan memahami bagaimana sebuah serangan berlangsung.

JADEPUFFER Menjadi Peringatan untuk Masa Depan

JADEPUFFER menunjukkan bahwa ancaman siber berbasis AI bukan lagi sekadar konsep dalam penelitian. LLM mulai dapat digunakan untuk menghubungkan berbagai tahapan serangan dan menyesuaikan tindakan berdasarkan kondisi yang ditemukan.

Yang perlu diperhatikan, AI tidak harus menemukan teknik eksploitasi baru untuk menjadi ancaman serius.

Celah keamanan lama, kredensial yang bocor, sistem yang terbuka ke internet, dan konfigurasi yang buruk sudah cukup menjadi titik awal. Perbedaannya adalah AI dapat membantu penyerang memanfaatkan peluang tersebut dengan lebih cepat dan adaptif.

Bagi organisasi, kondisi ini mengubah cara pandang terhadap keamanan siber. Pertahanan tidak cukup hanya mengandalkan firewall, antivirus, atau pembaruan perangkat lunak secara berkala. Organisasi juga harus memiliki visibilitas terhadap aset digital, pengelolaan kredensial yang baik, segmentasi jaringan, pemantauan aktivitas, serta kemampuan merespons insiden dengan cepat.

Pada akhirnya, JADEPUFFER menjadi contoh bahwa masa depan serangan ransomware kemungkinan tidak hanya melibatkan manusia yang mengendalikan setiap langkah. Agen AI dapat mengambil sebagian peran tersebut, membaca hasil tindakannya, kemudian menentukan langkah berikutnya.

Semakin cepat siklus tersebut berjalan, semakin kecil waktu yang dimiliki defender untuk bereaksi.

Karena itu, tantangan terbesar di era agentic AI bukan semata-mata bagaimana menghentikan AI, melainkan bagaimana memastikan organisasi mampu mendeteksi, membatasi, dan menghentikan tindakan otomatis sebelum serangan mencapai sistem yang paling kritis.