Artikel mendalam tentang teknologi yang membentuk masa depan.

Aplikasi Buatan AI Dirilis Tanpa Row-Level Security

Paspor dan 200 ribu+ pesan pribadi bocor dari aplikasi buatan AI karena Row-Level Security Supabase tidak aktif. Begini cara mengauditnya.

Aplikasi buatan AI yang identik di atas ikat berjalan, masing-masing dengan pintu terbuka yang membocorkan dokumen.
Ketika setiap aplikasi dibangun dari template yang sama, satu kunci yang lupa dipasang membuka ribuan pintu.

159.041 aplikasi. Itulah jumlah aplikasi web buatan AI yang dikumpulkan satu tim riset dari arsip Common Crawl, lalu diperiksa untuk satu kegagalan yang membosankan: bisakah mereka membaca rekaman database tanpa login? Untuk 7.403 situs yang diperiksa lebih dalam, jawabannya ya. Tabel berisi alamat email bisa dibaca siapa saja yang memintanya. Menggali lebih jauh, mereka menemukan nama lengkap dan tanggal lahir, detail pembayaran, kode tiket, ekspor WhatsApp internal, ringkasan email seorang pengelola properti yang dibuat AI, lebih dari 200.000 pesan obrolan pribadi dari sebuah forum gaya hidup, dan dalam kasus terburuk, lebih dari seribu rekaman berisi nomor paspor, tanggal kedaluwarsa, dan kewarganegaraan. Akar masalahnya, kasus demi kasus, adalah Row-Level Security Supabase yang tidak dipasang. Untuk mengeksploitasinya tidak diperlukan apa-apa selain developer tools di browser.

Perlu jelas soal angka-angkanya, karena sering salah dikutip. Dari 159.041 proyek Lovable yang teridentifikasi, 34.545 memakai Supabase sebagai database. Dari jumlah itu, 24.664 mengirim rekaman database ke browser begitu halaman dimuat, tanpa login dan tanpa interaksi. Itu saja belum tentu bug, karena banyak data memang dimaksudkan untuk publik. Jadi para peneliti melakukan permintaan read-only tambahan menggunakan API key yang sama persis, yang disertakan setiap situs dalam JavaScript-nya, lalu melihat apa yang kembali. Rekaman berisi alamat email muncul di 10.560 tabel di 7.403 situs, atau 30% dari situs yang diperiksa secara mendalam. Ini bukan angka kebocoran yang terkonfirmasi, dan para peneliti berhati-hati menyebutkannya: sebagian alamat itu adalah kotak masuk kontak publik atau data uji. Tapi kasus yang mereka verifikasi secara manual tidak bisa disangkal. Pelanggan sungguhan. Paspor sungguhan. Pesan pribadi sungguhan.

Row-Level Security Supabase Adalah Satu-Satunya Gerbang

Untuk memahami kenapa ini terus terjadi, Anda perlu paham kesepakatan yang ditawarkan Supabase. Anda mendapat database Postgres dengan REST API yang dibuat otomatis di depannya, dan frontend Anda berbicara langsung dengan database. Tidak ada lapisan backend yang menegakkan otorisasi: tidak ada middleware Express, tidak ada permission mixin Django, tidak ada apa-apa. Browser memegang API key anon, yang memang dirancang publik dan ikut dalam bundle JavaScript Anda. Kunci kedua, service_role, melewati semua aturan dan tidak boleh pernah menyentuh sisi klien.

Karena klien terhubung langsung ke database, database itu sendiri harus memutuskan apa yang boleh dilihat setiap permintaan. Mekanismenya adalah row-level security Postgres: kebijakan per tabel yang menyaring baris mana yang boleh dibaca atau diubah oleh role tertentu. Di sinilah masalahnya sering menggigit. Jika RLS tidak diaktifkan pada sebuah tabel, API key anon publik bisa membaca dan menulis setiap baris di dalamnya. Titik. Tabel itu sama saja dengan file JSON statis di CDN Anda.

create table profiles (
id uuid primary key default gen_random_uuid(),
full_name text,
email text,
date_of_birth date
);
-- This is the line that decides whether the table is public:
alter table profiles enable row level security;
-- Without it, the shipped anon key reads and writes every row.
# The "attack": the same request the app makes, minus the login
curl "https://your-project.supabase.co/rest/v1/profiles?select=*" \
-H "apikey: eyJhbGciOi..." \
-H "Authorization: Bearer eyJhbGciOi..."

Lihat lagi perintah curl itu. Itu bukan eksploit dalam arti yang berarti. Itu permintaan yang sama persis dengan yang dibuat frontend yang sah, hanya diulang tanpa sesi pengguna. API key-nya tidak dicuri. Ia dipublikasikan, disajikan ke setiap pengunjung sebagai bagian dari kode situs itu sendiri. Satu-satunya penghalang antara permintaan itu dan paspor pelanggan Anda adalah sebuah pengaturan Postgres yang tidak ada yang menyalakannya. Inilah sebabnya saya terus bilang bahwa paparan Lovable itu bukan "dibobol". Mereka dibiarkan tidak terkunci.

Mengapa Generator Aplikasi AI Menghasilkan Kontrol Akses yang Rusak

Pertanyaan yang langsung muncul: kenapa generator tidak langsung mengaktifkan RLS? Karena dari sudut pandang generator, tidak ada yang rusak. Aplikasinya jalan. Preview-nya termuat, rekamannya muncul, dan demonya mengesankan founder yang meminta aplikasi itu dibuat. Kontrol akses yang hilang adalah kegagalan diam-diam. Aplikasi tanpa RLS berperilaku sama persis dengan aplikasi yang diamankan dengan benar, sampai ada orang tak berwenang yang muncul. Tidak ada stack trace untuk "orang asing di negara lain sedang membaca tabel pesan Anda". Generator yang dioptimalkan untuk "apakah ini jalan" akan secara sistematis kurang berinvestasi pada "siapa lagi yang bisa menjalankannya".

Ada juga masalah spesifikasi. "Buatkan saya platform reservasi untuk restoran saya" tidak berisi informasi sedikit pun tentang siapa yang boleh membaca tabel reservasi. Developer manusia mengisi celah itu dengan konvensi, pengalaman pahit, dan pertanyaan canggung di rapat kickoff. LLM mengisinya dengan lanjutan yang paling sering muncul secara statistik. Kode tutorial Supabase paling umum di internet punya RLS yang dimatikan, karena tutorial mematikannya agar alur utamanya tetap pendek. Ini adalah celah spesifikasi-implementasi yang bekerja seperti biasa: bug berada persis di tempat prompt-nya diam.

Lalu soal default, dan Supabase ikut andil. Selama bertahun-tahun, tabel baru yang dibuat lewat dashboard-nya tanpa RLS kecuali Anda tahu cara mengaktifkannya. Itu pertukaran yang disengaja demi onboarding, karena tidak ada yang lebih mematikan momentum tutorial selain query yang mengembalikan hasil kosong. Setelah kritik terus-menerus, Supabase mulai mengarahkan proyek baru ke RLS sebagai default, tetapi proyek yang sudah ada tetap dengan posisi awalnya. Tambahkan generator yang dilatih dari bertahun-tahun kode sebelum perubahan default itu, dan Anda mendapat pipeline yang dengan andal menghasilkan tabel yang terbuka.

Terakhir, faktor manusia. Janji Lovable adalah tidak perlu pengetahuan teknis, dan syarat layanannya menempatkan tanggung jawab atas aplikasi dan datanya sepenuhnya pada pelanggan. Celah itulah tempat 7.403 aplikasi yang bocor berasal. Founder non-teknis tidak bisa mengaudit apa yang tidak bisa mereka baca. Mereka tidak tahu RLS itu ada, tidak tahu API key anon itu publik, dan momen "aplikasi Anda sudah live!" yang ceria tidak memberi mereka alasan untuk bertanya. Pemasaran bilang pesawatnya terbang sendiri. Catatan kaki kecilnya bilang merekalah pilotnya.

Satu Pola yang Rusak, Ribuan Target yang Identik

Yang membuat ini benar-benar berbahaya bukan satu aplikasi yang bocor, melainkan keseragamannya. Generator AI menghasilkan pola integrasi yang berulang: setup klien yang sama, konvensi tabel yang sama, URL proyek Supabase yang sama di bundle JavaScript yang sama. Itu memangkas biaya penyerang secara drastis. Tulis satu skrip yang mengenali situs buatan Lovable, mengambil URL Supabase dan anon key, mendaftar tabel yang terbuka, dan menjalankan select=* pada masing-masing. Skrip itu bekerja pada ribuan aplikasi dengan sedikit sekali modifikasi. Kontrol akses yang rusak sudah bertahan di puncak OWASP Top 10 selama bertahun-tahun. Yang baru adalah skala industri tempat instans identik dari kerusakan itu sekarang bisa diproduksi dan dipanen.

Sebagian praktisi menolak menyebut ini "pembobolan": situs itu sendiri yang menyertakan kunci dan menyajikan data, jadi memakainya bukan akses tidak sah. Tindakan mempublikasikanlah yang merupakan kebocorannya. Secara teknis, mereka benar soal istilah. Tapi itu kepedantan yang hanya penting untuk menentukan siapa yang disalahkan, dan tidak berarti apa-apa bagi orang yang nomor paspornya berakhir di respons JSON milik orang asing. Tidak ada yang setuju dengan arsitektur seperti itu.

Aplikasinya bekerja sempurna. Itulah masalahnya: ia bekerja sempurna untuk semua orang.

Akibat hukumnya jatuh di tempat yang selalu jatuh: pada siapa pun yang merilis aplikasinya. Di bawah GDPR, pemilik aplikasi adalah pengendali data, dan riset ini berasal dari Jerman, tentang platform Swedia, yang melibatkan dokumen identitas warga UE. Nomor paspor ditambah nama dan kewarganegaraan adalah paket awal pencurian identitas. 200.000 pesan pribadi adalah gudang pemerasan dan phishing. Apakah regulator akan membuka proses adalah pertanyaan terbuka, tapi kalau Anda founder yang membuat database pelanggan dengan vibe coding lalu meninggalkannya, "AI yang melakukannya" bukan pembelaan yang akan diterima otoritas perlindungan data mana pun.

Deretan rumah identik, masing-masing dengan kunci di bawah keset, saat sosok mengumpulkannya.
Kode buatan yang seragam berarti satu playbook serangan berfungsi untuk seluruh deretan aplikasi.

Cara Mengaudit Konfigurasi Supabase Buatan AI Sebelum Rilis

Jika Anda sudah merilis, atau mewarisi, aplikasi buatan AI di Supabase, berikut audit yang saya jalankan. Butuh setengah hari. Lakukan sebelum data pelanggan sungguhan menyentuh aplikasi itu.

  1. Inventarisasi tabel yang terbuka. Jalankan query RLS di bawah ini di SQL editor. Setiap tabel di skema public dengan RLS yang dimatikan bisa dibaca dan ditulis siapa saja lewat anon key yang dikirim.
  2. Baca setiap kebijakan. RLS yang aktif tidak berarti apa-apa jika kebijakannya using (true). Generator suka membuat kebijakan yang mengizinkan semuanya karena itu membungkam error saat pengembangan.
  3. Uji aplikasi seolah Anda orang asing. Salin anon key dari JavaScript yang sudah dideploy dan tembak setiap endpoint REST tanpa sesi. Baris apa pun yang kembali berarti publik. Apakah itu memang yang Anda maksudkan?
  4. Periksa storage bucket. Bucket yang ditandai publik membuat setiap file di dalamnya menjadi URL yang bisa diambil. Album foto dan pindaian KTP tidak punya tempat di sana.
  5. Grep bundle klien untuk service_role. Anon key yang ikut itu wajar; service key yang ikut itu bencana. Klien API yang sudah dideploy adalah brankas kredensial, jadi audit itu.
-- Tables exposed via the API with RLS disabled (each one is public)
select schemaname, tablename
from pg_tables
where schemaname = 'public'
and rowsecurity = false;
-- The subtler failure: RLS enabled, but what do the policies allow?
select schemaname, tablename, policyname, cmd, qual
from pg_policies
where schemaname = 'public';

Query kedua adalah bagian yang paling menarik. Anda akan menemukan tabel dengan RLS aktif tetapi tanpa kebijakan sama sekali. Itu gagal dalam kondisi tertutup dan biasanya berarti sebuah fitur diam-diam rusak lalu seseorang "memperbaikinya" dengan melonggarkan hal lain. Dan Anda akan menemukan kebijakan seperti yang ini, yang sudah saya lihat di cukup banyak codebase hasil generator sehingga langsung bisa dikenali:

-- The policy generators emit when a query fails during development:
create policy "allow all" on messages for all using (true);
-- It silences the error and publishes the table. Reject it on sight.
-- What a real policy looks like:
create policy "users read their own messages"
on messages for select
to authenticated
using (auth.uid() = sender_id or auth.uid() = recipient_id);

Pola using (true) layak mendapat perhatian khusus karena itu setara dengan kode hasil generator yang mengomentari pemeriksaan autentikasi supaya tes lolos. Ia ada karena generator menemui error izin, dengan tepat mendiagnosis bahwa sebuah kebijakan hilang, lalu menulis kebijakan yang paling malas. Saat menemukannya, jangan hanya memperketat kebijakannya. Tanyakan kenapa tabel itu bisa dijangkau sama sekali di jalur kode tersebut. Dan ulangi seluruh audit setelah setiap regenerasi besar. Builder AI dengan senang hati menulis ulang skema Anda, dan kebijakan ketat kemarin tidak bertahan dari prompt "buat dashboard menampilkan semua pengguna" hari ini.

Pemindai Keamanan Membantu, tapi Default yang Menentukan

Patut diakui, tim keamanan Lovable menanggapi riset ini secara langsung. Mereka mengidentifikasi RLS yang tidak memadai sebagai akar masalah, memindai setiap aplikasi secara otomatis sebelum publikasi, menawarkan pemindaian SAST yang lebih dalam, dan memungkinkan pengguna memperbaiki temuan dengan satu klik, mengaktifkan auto-fix, atau memblokir publikasi sepenuhnya jika ada temuan kritis. Semua itu gratis untuk semua pengguna. Itu perangkat yang cukup masuk akal, dan lebih dari yang dikirim kebanyakan builder aplikasi.

Tapi perhatikan apa yang sebenarnya diimplikasikan pemindai pra-publikasi: generator menghasilkan cacatnya dulu, lalu sekarang ada sistem kedua untuk menangkapnya. Tingkat temuan pemindai adalah ukuran seberapa sering output default itu tidak aman. Saya pernah menulis tentang bagaimana pemindai keamanan AI menagih utang teknis kita. Mereka berguna, tapi mereka menangani gejala. Perbaikan yang tahan lama adalah generasi deny-by-default: setiap tabel dibuat dengan RLS aktif, dan setiap tabel mendapat kebijakan eksplisit, meskipun kebijakannya "tolak semua" sampai pengguna memilih lebih banyak. Kondisi yang tidak aman seharusnya menjadi kondisi yang butuh usaha. Sekarang kebalikannya, dan 24.664 aplikasi yang mengalirkan rekaman database saat halaman dimuat adalah harga dari pembalikan itu.

Kaca pembesar di atas grid data yang menyala, dengan beberapa baris disorot sebagai terbuka.
Mengaudit skema hasil generator berarti memeriksa setiap tabel, karena baris yang terbuka jarang memberi tahu dirinya sendiri.

Kesimpulan untuk Siapa Pun yang Merilis Aplikasi Buatan AI

AI tidak menciptakan kontrol akses yang rusak. IDOR dan otorisasi yang hilang sudah menduduki daftar kerentanan jauh sebelum ada yang membuat aplikasi lewat prompt. Yang diubah AI adalah volume dan pelakunya. Ia mengindustrialisasi mode kegagalan yang sudah dikenal dan menaruh tombol deploy di tangan orang-orang yang tidak bisa membedakan kebijakan RLS dari aturan CSS. Angka 30% dari riset ini bukan skandal tentang satu platform. Ini adalah gambaran dari setiap ekosistem di mana kode hasil generator bertemu database publik dengan model keamanan yang harus diaktifkan secara sukarela.

Jadi perlakukan setiap aplikasi buatan AI seperti Anda memperlakukan kode vendor yang belum diaudit, karena memang itulah dia. Jalankan query di atas sebelum rilis dan setelah setiap perubahan besar. Jika aplikasi akan menyimpan data yang diatur regulasi atau data identitas dan tidak ada orang internal yang bisa membaca kebijakan Postgres, bayar orang yang bisa. Satu sore review ahli lebih murah daripada menjelaskan nomor paspor ke regulator. No-code menghilangkan sintaksnya. Ia tidak menghilangkan tanggung jawabnya, dan tidak akan pernah.