Copilot ตั้งเพดาน AI Credits ต่อ session ได้แล้ว: บทเรียนเรื่องงบก่อนปล่อย Agent ทำงาน

AI Agent ที่ทำงานเองได้ไม่ได้ต้องการแค่ prompt ที่ดีครับ

มันต้องการเพดานงบต่อรอบงานด้วย

วันที่ 1 กรกฎาคม 2026 GitHub ประกาศ public preview ให้ Copilot CLI และ Copilot SDK ตั้ง AI credit session limits ได้ เพื่อจำกัดจำนวน AI Credits ที่ agent ใช้ในหนึ่ง session โดย GitHub ระบุว่าเหมาะเป็นพิเศษกับ automation ที่ไม่มีคนคอยเฝ้าระหว่าง agent ทำงาน

ใน interactive session ผู้ใช้ใช้คำสั่ง /limits เพื่อดู ตั้งค่า หรือถอด limit ได้ ส่วน noninteractive run ใช้ --max-ai-credits เพื่อกำหนดขอบเขตของรอบงานนั้น

จุดที่ควรอ่านให้ครบคือ limit นี้เป็น soft cap เพราะระบบรู้ usage หลัง response กลับมาแล้ว ดังนั้น request ที่กำลังทำอยู่จะจบก่อน agent หยุด และการใช้จริงอาจเกินตัวเลขที่ตั้งไว้เล็กน้อย

1) เกิดอะไรขึ้น

GitHub กำลังเพิ่ม control layer ให้ coding agent มากขึ้นอีกชั้นหนึ่ง

ก่อนหน้านี้ทีมมักคุม agent ด้วยสิทธิ์ repo, tool permissions, model choice, prompt, review และ human approval แต่ต้นทุนต่อ session ยังเป็นเรื่องที่ตามหลังงานเสร็จไปแล้ว

ฟีเจอร์ใหม่นี้ทำให้คนเริ่มต้น session ด้วยคำถามที่ชัดขึ้น:

• งานนี้ควรใช้ได้ไม่เกินกี่ AI Credits
• ถ้าแตะเพดานแล้วควรหยุดหรือขอเพิ่ม
• งานนี้เหมาะจะรันแบบ interactive หรือ noninteractive
• agent ควรสรุปอะไรกลับมาก่อนขอ budget เพิ่ม

GitHub ระบุว่า session usage ที่นับรวมครอบคลุม model calls, subagents และ background work เช่น compaction ด้วย นี่ทำให้ limit ไม่ได้คุมแค่ prompt ตรงหน้า แต่คุมต้นทุนของรอบงาน agent ทั้งก้อน

2) ทำไมมันสำคัญกว่าที่เห็น

หลายทีมเริ่มใช้ coding agent เหมือน “คนช่วยงานที่กดให้ทำแล้วไปทำอย่างอื่นได้”

พฤติกรรมนี้ดีต่อ productivity แต่เสี่ยงต่อ cost governance ถ้าไม่มีเพดานต่อ session

ตัวอย่างงานที่เสี่ยง:

• ให้ agent สำรวจ repo ใหญ่โดยไม่จำกัด scope
• ให้ agent แตกงานเป็น subagents หลายตัว
• ให้ CLI run ใน script หรือ CI แบบ noninteractive
• ให้ agent แก้ bug ที่ไม่ชัด ทำให้วนอ่านไฟล์ รันคำสั่ง และสรุปซ้ำ
• ให้ agent ทำงาน production-adjacent โดยไม่มี human checkpoint

ถ้าไม่มี cap ทีมจะเห็นแค่ “งานจบหรือไม่จบ” แต่ไม่เห็นว่างานนั้นคุ้มกับ credits ที่ใช้หรือไม่

และเมื่อ AI Credits กลายเป็น billing unit ของ Copilot งาน agent ที่ดูเหมือนฟรีใน workflow ประจำวันจะกลายเป็นต้นทุนจริงที่ต้องจัดการเหมือน cloud cost

3) Operator Lesson: ก่อนปล่อย Agent ต้องตั้งงบต่อรอบงาน

ทีมที่ใช้ AI Agent จริงควรเปลี่ยนคำถามจาก:

“Agent ทำงานนี้ได้ไหม”

เป็น:

“งานนี้ควรให้ Agent ใช้งบได้เท่าไร ก่อนต้องหยุดและรายงาน”

นี่คือความต่างระหว่างใช้ AI แบบทดลองกับใช้ AI แบบระบบงาน

งานเล็กควรมี cap ต่ำ งานสำรวจควรมี cap กลาง งาน refactor ใหญ่ควรถูกแบ่งเป็นหลาย session ที่วัดผลได้ ไม่ใช่ปล่อย session เดียวกินงบจนจบหรือพัง

สำหรับทีมเล็ก ไม่ต้องเริ่มจาก policy ใหญ่โต ให้เริ่มจากกติกา 3 ชั้น:

1. งานถามตอบหรือแก้เล็ก: cap ต่ำ และต้องจบเร็ว
2. งานแก้หลายไฟล์: cap กลาง พร้อม summary เมื่อแตะเพดาน
3. งานอัตโนมัติหรือ noninteractive: ต้องมี cap เสมอ และต้องมี output log ให้คน review

Operator Kit: Agent Budget Gate Checklist

ใช้ checklist นี้ก่อนปล่อย coding agent, content agent หรือ ops agent ทำงานยาว ๆ

A. ก่อนเริ่ม session

1. ระบุ objective ให้แคบพอวัดได้ เช่น “แก้ failing test นี้” ไม่ใช่ “ปรับ repo ให้ดีขึ้น”
2. เลือก mode: interactive ถ้ายังต้องตัดสินใจ, noninteractive เฉพาะงานที่ scope ชัด
3. ตั้ง AI credit cap สำหรับ session นี้ ไม่ปล่อยค่า default แบบไม่รู้เพดาน
4. ระบุ stop condition ว่าเมื่อแตะ cap ให้ agent สรุปอะไร เช่น files read, files changed, blockers, next recommendation
5. ถ้างานแตะ production, pricing, customer data, DNS, email send หรือ public publish ให้มี human approval ก่อนเสมอ

B. ระหว่างทำงาน

1. ถ้าเป็น interactive session ให้ดู warning และ credit usage เป็นระยะ
2. ถ้า agent ขอเพิ่ม cap ให้ถามก่อนว่า work completed แล้วกี่เปอร์เซ็นต์ และเหลือ risk อะไร
3. อย่าเพิ่ม cap เพียงเพราะ agent ยังไม่เสร็จ ให้เพิ่มเฉพาะเมื่อ next action ชัดและคุ้ม
4. ถ้า agent เริ่มวนอ่านไฟล์เดิม รันคำสั่งเดิม หรือแก้ scope กว้างขึ้น ให้หยุดและแตกงานใหม่
5. บันทึกเหตุผลทุกครั้งที่เพิ่ม cap เพื่อใช้ปรับ policy ภายหลัง

C. หลังจบ session

1. จด credits ที่ใช้จริง เทียบกับ cap ที่ตั้งไว้
2. วัด cost ต่อ completed task ไม่ใช่แค่ว่า agent พิมพ์เยอะหรือทำไฟล์เยอะ
3. แยกงานที่ “คุ้ม” ออกจากงานที่ “เหมือนคุ้มแต่ต้องให้คนแก้ซ้ำ”
4. ปรับ template prompt และ scope จาก session ที่ใช้ credits เกิน pattern
5. เก็บตัวอย่าง session ที่ดีไว้เป็น playbook สำหรับคนอื่นในทีม

D. กติกาสั้นสำหรับทีมเล็ก

• งานทดลองต้องใช้งบทดลอง ไม่ปนกับงาน production
• งาน noninteractive ต้องมี --max-ai-credits หรือ cap เทียบเท่าเสมอ
• งานที่แตะหลายระบบต้องถูกแบ่งเป็น checkpoint สั้น ๆ
• ถ้า cap หมดก่อนงานเสร็จ ให้ review ก่อนเพิ่ม ไม่ใช่ auto-extend
• รายงานผลต้องมี objective, credits used, output, blockers และ human decision needed

5) Data-Espresso จะเอาไปใช้ยังไง

สำหรับ Data-Espresso และ OPB Stack มุมนี้สำคัญมาก เพราะเรามอง AI Agent เป็นระบบงาน ไม่ใช่แค่แชตบอต

ถ้าลูกค้าให้ AI coworker ทำงานต่อเนื่อง เช่น ตรวจ ticket, สรุปลูกค้า, แก้เอกสาร, สร้าง content หรือช่วย devops ระบบต้องมีเพดาน 4 อย่าง:

1. เพดานสิทธิ์ ว่า agent แตะ tool ไหนได้
2. เพดานเวลา ว่างานนี้ควรจบในกี่นาทีหรือกี่รอบ
3. เพดานงบ ว่า session นี้ใช้ AI ได้เท่าไร
4. เพดานการกระทำ ว่าอะไรต้องขออนุมัติจากคน

ข่าว GitHub รอบนี้เป็นสัญญาณว่าตลาด agent เริ่มกลับมาที่เรื่องพื้นฐานของ operation: ทำงานได้เองก็จริง แต่ต้องมีงบ มี log มี checkpoint และมีคนรับผิดชอบการเพิ่มเพดาน

สรุป

AI Agent ที่ดีไม่ใช่ agent ที่ทำงานยาวที่สุด

แต่คือ agent ที่ทำงานในขอบเขตที่ทีมตั้งใจไว้ และหยุดรายงานก่อนจะกินงบเกินเหตุ

สำหรับทีมที่เริ่มใช้ coding agent วันนี้ ให้เริ่มจากกติกาง่าย ๆ: ทุกงานที่ไม่มีคนเฝ้าต้องมี budget cap, ทุกครั้งที่ cap หมดต้องมี review, และทุก session ต้องถูกวัดด้วยงานที่เสร็จจริง ไม่ใช่จำนวน token หรือความยาวของคำตอบ