JadePuffer, Ransomware Agentik AI Pertama yang Bekerja Tanpa Operator Manusia

Selama ini, ancaman "AI dalam serangan siber" biasanya berarti penyerang memakai chatbot untuk menulis phishing email yang lebih meyakinkan, atau membantu men-debug exploit. Yang terjadi pada JadePuffer berbeda level: menurut laporan Sysdig Threat Research Team, ini adalah operasi ransomware agentik pertama yang terdokumentasi — sebuah agen AI yang melakukan reconnaissance, mencuri kredensial, bergerak lateral, membangun persistence, lalu mengenkripsi data korban, semuanya secara berurutan tanpa operator manusia mengetik satu perintah pun di tengah proses. Ini penting bukan karena ransomware-nya baru — teknik intinya sudah dikenal — tapi karena ambang keahlian untuk menjalankan serangan semacam ini baru saja runtuh.

Bagaimana Ransomware Agentik JadePuffer Bekerja Tanpa Tangan Manusia

Menurut analisis BleepingComputer, agen di balik JadePuffer mendapat akses awal lewat CVE-2025-3248, celah remote code execution yang belum terautentikasi di Langflow — framework open-source populer untuk membangun aplikasi LLM. Dari sana, agen berpindah ke server MySQL produksi yang menjalankan Alibaba Nacos, memakai kredensial root, lalu mengeksploitasi celah kedua, CVE-2021-29441, sebuah bypass autentikasi di Nacos. Hasil akhirnya: 1.342 item konfigurasi layanan Nacos dienkripsi memakai fungsi AES_ENCRYPT bawaan MySQL, tabel konfigurasi dan histori aslinya dihapus, lalu agen membuat tabel baru bernama README_RANSOM berisi alamat Bitcoin dan kontak Proton Mail untuk negosiasi tebusan.

Bagian yang paling mengejutkan peneliti bukan urutan serangannya, melainkan kemampuan agen untuk memperbaiki diri sendiri saat menemui jalan buntu. Dalam satu insiden, upaya login ke Nacos gagal — dan dalam 31 detik, agen mendiagnosis akar masalahnya (masalah PATH pada subprocess), menghapus akun yang rusak, membangun ulang hash password dengan langsung mengimpor library bcrypt, lalu berhasil login kembali. Semua itu terjadi tanpa manusia campur tangan untuk memutuskan langkah selanjutnya — persis seperti cara operator manusia berimprovisasi ketika rencana awal gagal, hanya saja jauh lebih cepat.

Payload yang "Curhat" dan Kenapa Itu Jadi Bukti Kuat

Salah satu temuan paling unik dari laporan ini adalah gaya penulisan payload-nya sendiri. Skrip yang dijalankan JadePuffer penuh dengan komentar bahasa natural yang menjelaskan alasan setiap langkah — mengapa target tertentu dipilih berdasarkan ukuran database, apa tujuan dari setiap perintah, bagaimana prioritas ROI ditentukan. Operator ransomware manusia hampir tidak pernah menulis one-liner Python sekali-pakai dengan penjelasan sedetail itu; itu bukan kebiasaan manusia, tapi justru default dari cara LLM men-generate kode — modelnya "berpikir sambil menulis". Justru karena kebiasaan inilah peneliti Sysdig cukup yakin ini bukan cuma manusia yang memakai AI sebagai alat bantu, melainkan sebuah agen yang benar-benar memegang kendali atas alur serangan dari awal sampai akhir, dengan menyebut operatornya sebagai agentic threat actor (ATA) — pelaku ancaman yang kapabilitas seranganya "disewakan" oleh agen AI, bukan toolkit buatan manusia.

Yang membuat kasus ini lebih meresahkan lagi: menurut catatan Infosecurity Magazine, jika agen semacam ini berjalan di atas kredensial API yang dicuri lewat praktik yang dikenal sebagai LLMjacking — memakai akses model AI orang lain tanpa izin — maka biaya untuk menjalankan seluruh operasi bisa mendekati nol bagi penyerang. Dengan kata lain, "ongkos produksi" ransomware kelas menengah kini bisa ditekan sampai nyaris gratis, asalkan penyerang bisa mencuri satu set kredensial cloud AI dan menyusun prompt yang tepat.

Kenapa Ini Mengubah Kalkulasi Risiko, Bukan Cuma Menambah Satu Insiden

Poin yang menurut saya sering terlewat dalam liputan soal JadePuffer adalah: ini bukan sekadar "ransomware baru yang harus ditambal", karena celah yang dieksploitasi (Langflow dan Nacos) sebenarnya sudah dikenal dan punya patch. Yang berubah adalah skill floor — ambang keahlian minimum yang dibutuhkan untuk menjalankan serangan end-to-end. Sebelumnya, rantai serangan seperti ini (exploit RCE → pivot ke database produksi → eksploitasi celah kedua → enkripsi terarah → catatan tebusan yang koheren) butuh operator dengan pengalaman lintas-disiplin: web exploitation, lateral movement, sampai negosiasi. Sekarang, rantai yang sama bisa dijalankan oleh siapa saja yang bisa memberi instruksi tingkat tinggi ke agen AI dan membiarkannya beradaptasi sendiri saat menemui hambatan.

Ini juga mengubah cara tim keamanan harus berpikir soal deteksi. Selama ini banyak sistem deteksi anomali dikalibrasi untuk pola perilaku manusia — jeda antar-perintah, pola coba-coba yang lambat, kesalahan ketik yang khas. Agen AI tidak berperilaku seperti itu: eksekusinya konsisten, cepat, dan — seperti terlihat dari insiden 31 detik di atas — mampu melakukan root-cause analysis dan pivot strategi jauh lebih cepat daripada respons manusia rata-rata. Tim keamanan yang masih mengandalkan "waktu respons manusia" sebagai asumsi dasar arsitektur deteksi mereka perlu menghitung ulang berapa lama sebenarnya mereka punya waktu sebelum sebuah intrusi berubah jadi enkripsi penuh.

Untuk organisasi yang memakai Langflow, Nacos, atau tumpukan LLM-app serupa, langkah paling mendesak adalah memastikan patch untuk CVE-2025-3248 dan CVE-2021-29441 sudah terpasang, serta mengaudit apakah instance-instance ini terekspos ke internet tanpa perlu. Tapi di luar tambal-menambal, insiden ini adalah sinyal untuk mulai memasukkan "kecepatan adaptasi otomatis" ke dalam model ancaman — bukan lagi sekadar mempertanyakan siapa yang bisa masuk, tapi seberapa cepat sesuatu yang sudah masuk bisa berimprovisasi sendiri begitu rencana awalnya gagal.

Takeaway-nya sederhana tapi tidak nyaman: JadePuffer membuktikan bahwa agen AI otonom sudah cukup andal untuk menjalankan kejahatan siber bertahap dari ujung ke ujung, bukan cuma jadi asisten penulis skrip. Pertanyaannya bukan lagi apakah ransomware agentik akan jadi tren, melainkan seberapa cepat pertahanan siber — baik di level tools maupun kebiasaan tim IT — bisa menyesuaikan diri sebelum jarak antara "celah ditemukan" dan "data terenkripsi" menyusut dari hari menjadi hitungan menit.