Dalam artikel ini
Klien broker asuransi Marsh melaporkan 105 insiden siber pada dua pekan terakhir Oktober 2026, dibandingkan 48 pada dua pekan terakhir Mei. Data yang diberitakan Reuters pada 17 November itu menunjukkan kenaikan tajam dalam dua periode pembanding. Marsh menilai alat AI membantu mempercepat serangan, tetapi angka tersebut tidak membuktikan bahwa seluruh kenaikannya disebabkan AI.
Menurut laporan Reuters yang tersedia melalui AOL, Meredith Schnur, pemimpin praktik siber Marsh Risk untuk AS dan Kanada, melihat penggunaan AI dan alat agen untuk menemukan kerentanan. Laporan itu juga menyoroti kelemahan yang sudah lama dikenal, seperti perangkat lunak yang belum diperbarui dan kontrol identitas yang lemah.
Apa arti kenaikan dari 48 menjadi 105?
Perhitungan AIGEO atas dua angka tersebut menghasilkan tambahan 57 laporan, atau kenaikan 118,75 persen dari angka awal. Perhitungan itu hanya membandingkan jumlah laporan pada dua jendela waktu. Ia tidak mengukur jumlah seluruh serangan di dunia, tingkat keberhasilan penyerang, atau besarnya kerugian tiap perusahaan.
| Yang terlihat dari data | Yang belum dapat disimpulkan |
|---|---|
| Jumlah laporan pada dua periode meningkat | Seluruh kenaikan berasal dari penggunaan AI |
| Data berasal dari klien Marsh | Angka mewakili seluruh perusahaan atau seluruh negara |
| Ada indikasi percepatan kerja penyerang menurut narasumber | Setiap insiden memakai agen otonom |
| Kebutuhan kesiapan perlu dievaluasi | Premi setiap polis otomatis naik dengan persentase yang sama |
Batas-batas itu penting karena perubahan jumlah laporan juga perlu dibaca bersama cakupan perusahaan, kebiasaan melapor, dan klasifikasi insiden. Laporan yang tersedia tidak cukup untuk memisahkan seluruh faktor tersebut. Data ini memberi sinyal untuk diperiksa, bukan dasar tunggal menetapkan sebab atau memprediksi kerugian suatu organisasi.
AI dapat mempercepat pekerjaan, kelemahan dasar tetap menentukan
Analisis AIGEO: bila pekerjaan penyerang menjadi lebih cepat, organisasi perlu memperhatikan waktu antara ditemukannya masalah, pengambilan keputusan, dan pelaksanaan perbaikan. Pertahanan yang mempunyai banyak alat tetapi lambat menetapkan prioritas dapat tetap kesulitan. Ukuran yang berguna adalah seberapa cepat paparan yang relevan dikenali dan ditangani.
Untuk perusahaan Indonesia, pertanyaan awal yang dapat diperiksa adalah apakah aset penting sudah terpetakan, siapa pemilik perbaikannya, dan apakah akses yang tidak lagi diperlukan dicabut. Ini arah evaluasi umum, bukan kesimpulan bahwa perusahaan tertentu sedang diserang atau bahwa seluruh insiden dapat dicegah oleh satu produk.
Menghubungkan risiko dengan keputusan manajemen
NIST Cybersecurity Framework 2.0 menyediakan bahasa bersama untuk mengelola risiko melalui enam fungsi: Govern, Identify, Protect, Detect, Respond, dan Recover. Kerangka itu membantu menempatkan tata kelola, pencegahan, deteksi, respons, serta pemulihan sebagai pekerjaan yang saling terkait. Dokumen ini merupakan konteks kerangka risiko, bukan laporan baru tentang angka Marsh.
Sebagai contoh evaluasi editorial, perusahaan dapat memilih satu layanan penting lalu menelusuri siapa yang berwenang membatasi akses, siapa menghubungi penyedia, dan bagaimana layanan dipulihkan bila terganggu. Uji apakah daftar kontak dan bukti yang dibutuhkan tersedia. Kemampuan mengambil keputusan dalam latihan lebih informatif daripada hanya menghitung jumlah lisensi keamanan.
Bila organisasi memakai agen AI, tinjau juga kewenangan alat dan kredensialnya. Asisten yang hanya merangkum data mempunyai profil tindakan berbeda dari agen yang dapat mengubah sistem. AIGEO telah mengulas praktik respons insiden untuk sistem AI serta peringatan serangan berbantuan AI pada perbankan India. Perkembangan baru Marsh menambah konteks bisnis pada agenda kesiapan itu.
Apa hubungannya dengan asuransi siber?
Reuters juga mengutip proyeksi GlobalData bahwa total premi asuransi siber global tumbuh 6,9 persen menjadi US$16,6 miliar pada 2026 dan diperkirakan tumbuh 10 persen menjadi US$18,3 miliar pada 2027. Proyeksi pertumbuhan nilai pasar tersebut tidak sama dengan kenaikan tarif sepuluh persen untuk setiap pemegang polis.
Bagi perusahaan yang menilai perlindungan asuransi, pertanyaan praktisnya adalah jenis kejadian yang dicakup, pengecualian, kewajiban pemberitahuan, dan bukti kesiapan yang diminta. Ketentuan berbeda perlu dibaca pada dokumen polis masing-masing bersama pihak yang kompeten. Artikel ini tidak menilai kecocokan atau harga produk asuransi tertentu.
Data yang layak dipantau berikutnya
Untuk menilai arah risiko dengan lebih baik, pembaca memerlukan seri waktu lebih panjang, informasi tingkat keparahan, serta pemisahan insiden yang benar-benar melibatkan AI dari penilaian umum narasumber. Tanpa itu, lonjakan laporan tidak boleh diubah menjadi angka pasti kontribusi AI.
Pesan yang dapat ditindaklanjuti lebih sederhana: organisasi perlu mengetahui layanan terpentingnya, memperpendek waktu penanganan masalah, dan melatih pemulihan. Kemajuan AI memperkuat alasan untuk menguji pekerjaan tersebut secara nyata, sementara keputusan pengeluaran tetap harus mengikuti bukti kebutuhan masing-masing organisasi.
Sumber dan batas liputan
- Reuters, 17 November 2026; versi sindikasi tersedia melalui AOL, untuk data Marsh dan proyeksi GlobalData.
- NIST Cybersecurity Framework 2.0 sebagai konteks tata kelola risiko.
- Kenaikan 118,75 persen adalah perhitungan AIGEO dari dua angka laporan. Tidak ada klaim bahwa data membuktikan hubungan sebab-akibat penuh dengan AI.
Disimpan hanya di browser perangkat ini.






Komentar & Diskusi