Palo Alto Networks Ungkap Identitas Mesin Kini Melampaui Jumlah Identitas Manusia

Techverse.asia - Identitas kini telah melampaui malware sebagai vektor serangan utama di lingkungan perusahaan. Di kawasan Asia Pasifik (APAC), skala tantangan ini pun telah berkembang secara signifikan. Jumlah identitas mesin kini melampaui jumlah pekerja manusia dengan rasio 111:1 di jaringan perusahaan, didorong oleh pesatnya adopsi agen AI otonom (autonomous AI agents).

Namun, sebagian besar organisasi masih mengamankan lingkungan mereka seolah-olah identitas manusia tetap menjadi aset utama yang perlu dilindungi.

Palo Alto Networks memaparkan temuan dari 2026 Identity Security Landscape Report, yang didasarkan pada studi global terhadap 2.930 pengambil keputusan di bidang keamanan siber, yang mengungkap semakin lebarnya kesenjangan antara skala lingkungan identitas digital saat ini dengan arsitektur yang dibangun untuk mengelolanya.

Jumlah identitas mesin kini jauh melampaui identitas manusia di lingkungan perusahaan di Asia Pasifik, didorong oleh semakin luasnya penggunaan agen AI otonom (autonomous AI agents) dalam berbagai operasional bisnis.

Seluruh organisasi di kawasan Asia Pasifik telah mengadopsi agen AI, dan sebagian besar memperkirakan jumlah agen AI serta identitas mesin yang mereka kelola akan terus meningkat dalam 12 bulan ke depan.

Sembilan dari sepuluh organisasi mengalami setidaknya satu insiden pembobolan keamanan (breach) yang berkaitan dengan identitas dalam 12 bulan terakhir.

Sebanyak 97% organisasi di Asia Pasifik memperkirakan akan menghadapi dampak finansial apabila proses pembaruan sertifikat (certificate renewal) tidak sepenuhnya diotomatisasi. Rata-rata potensi kerugian yang ditimbulkan mencapai US$305.161 per tahun.

Titik buta dalam tata kelola. Sebanyak 98% identitas manusia di APAC memiliki hak akses yang melebihi kebutuhan perannya (overprivileged access). Selain itu, 98% organisasi di APAC melaporkan mengalami identity silos, dengan penggunaan tool AI di luar identitas formal dan tata kelola keamanan sebagai penyebab utama.

Dampaknya pun nyata: fragmentasi alat identitas menambahkan rata-rata 13 jam keterlambatan dalam setiap proses respons terhadap insiden.

"Sembilan dari sepuluh organisasi telah mengalami pembobolan keamanan terkait identitas yang berhasil dalam satu tahun terakhir, dan identitas mesin tumbuh dengan compound annual growth rate (CAGR) mendekati 40%, yang sebagian besar didorong oleh meningkatnya penggunaan AI," kata Jeffrey Kok selaku Senior Director, Idira Domain Consulting Palo Alto Networks.

Menurutnya, yang paling mengkhawatirkan adalah fragmentasi, yang secara signifikan memperlambat organisasi: sistem yang tidak saling terhubung menambah waktu respons hingga berjam-jam pada setiap insiden, sementara pelaku serangan hanya membutuhkan waktu sekitar satu jam untuk membobol sistem.

Pelaku serangan tidak lagi perlu membobol sistem; mereka cukup masuk (log in) menggunakan identitas manusia atau identitas AI yang dicuri, dan satu-satunya cara untuk menutup kesenjangan tersebut adalah dengan menggunakan sebuah pelantar yang dapat menemukan, mengendalikan, dan mengelola setiap identitas dengan tingkat kontrol keamanan yang tepat.

Temuan di kawasan Asia Pasifik ini memiliki relevansi yang sangat besar bagi ASEAN, di mana adopsi AI di lingkungan perusahaan berkembang dengan sangat pesat, dan permukaan serangan (attack surface) yang terkait dengan identitas juga terus meluas seiring perkembangannya.

Sebagai contoh utama, data dari Singapura menggambarkan besarnya tantangan yang dihadapi sekaligus urgensi untuk segera mengambil langkah penanganan. Di Singapura, jumlah identitas mesin kini rata-rata telah melampaui jumlah identitas manusia dengan rasio 107:1.

Sebanyak 85% organisasi memperkirakan jumlah agen AI dan identitas mesin yang mereka miliki akan terus bertambah dalam 12 bulan ke depan. Faktor-faktor yang mendorong pertumbuhan ini pun cukup jelas, yakni meningkatnya jumlah identitas mesin (51%), meluasnya hubungan dengan pihak ketiga termasuk mitra dan penyedia layanan (43%), serta semakin luasnya adopsi large language models (LLM) (41%).