AI ช่วยเขียนโค้ดได้เร็วขึ้น แต่ไม่ได้ทำให้โค้ดดูแลง่ายขึ้นเอง Technical Debt จะเพิ่มเมื่อปริมาณโค้ดโตเร็วกว่าความสามารถของทีมในการ review ทดสอบ และทำความเข้าใจ วิธีคุมคือให้คนเป็นเจ้าของโค้ดทุกบรรทัด แบ่งการเปลี่ยนให้เล็ก ใช้ CI gate ที่ block ได้จริง และเขียนข้อตกลงเรื่องการใช้ AI ไว้ในนโยบายองค์กรและสัญญาจ้าง
AI coding assistant คือเครื่องมือช่วยเขียนโค้ด เช่น GitHub Copilot, Cursor, Claude Code, ChatGPT หรือ Gemini หลักการในบทความนี้ใช้ได้กับทุกเครื่องมือ
Technical Debt คืออะไร
Technical Debt (หนี้ทางเทคนิค) คือการเปรียบข้อบกพร่องด้านคุณภาพภายในของซอฟต์แวร์เป็นหนี้ ทุกครั้งที่ต้องแก้หรือเพิ่มฟีเจอร์ในโค้ดที่ไม่เรียบร้อย เวลาที่เสียเพิ่มคือดอกเบี้ย และการปรับโค้ดให้ดีขึ้นคือการคืนเงินต้น
คำนี้มาจาก Ward Cunningham ในรายงาน The WyCash Portfolio Management System ที่งาน OOPSLA 1992 ซึ่งเขียนว่า "Shipping first time code is like going into debt. A little debt speeds development so long as it is paid back promptly with a rewrite." และ "Every minute spent on not-quite-right code counts as interest on that debt." Martin Fowler อธิบายต่อว่าหนี้นี้เกิดจาก cruft (ส่วนที่รกหรือไม่เรียบร้อยในโค้ด) ซึ่งเขานิยามว่า "deficiencies in internal quality that make it harder than it would ideally be to modify and extend the system further"
หนี้ไม่ได้แย่เสมอไป Technical Debt Quadrant ของ Fowler แบ่งหนี้ตามสองแกน คือก่อโดยตั้งใจหรือไม่ตั้งใจ (deliberate / inadvertent) และก่ออย่างรอบคอบหรือประมาท (prudent / reckless) การรับหนี้โดยรู้ตัวเพื่อส่งงานให้ทันแล้ววางแผนคืนเป็นการตัดสินใจทางธุรกิจได้ ส่วนโค้ดที่ AI สร้างแล้วทีมรับเข้าระบบโดยไม่มีใครเข้าใจจริงเป็นหนี้แบบประมาท และถ้าไม่มีใครรู้ตัวก็เป็นหนี้แบบไม่ตั้งใจด้วย ซึ่งทีมมักรู้ตัวตอนต้องแก้
ทำไมการใช้ AI ช่วยเขียนโค้ดทำให้ Technical Debt เพิ่มได้
AI ไม่ได้สร้างหนี้ชนิดใหม่ แต่เปลี่ยนความเร็วและรูปแบบที่หนี้สะสม กลไกหลักคือโค้ดถูกสร้างเร็วกว่าที่คนอ่านและเข้าใจทัน และโค้ดที่ได้มักดูถูกต้องพอจะผ่านการอ่านแบบผ่าน ๆ
งานวิจัย DORA ของ Google ซึ่งสำรวจทีมพัฒนาซอฟต์แวร์เห็นสัญญาณนี้ บทความประกาศรายงานปี 2024 (23 ตุลาคม 2024) ระบุว่า "As AI adoption increased, it was accompanied by an estimated decrease in delivery throughput by 1.5%, and an estimated reduction in delivery stability by 7.2%." และระบุในย่อหน้าเดียวกันว่าการปรับปรุงกระบวนการพัฒนาไม่ได้ทำให้การส่งมอบซอฟต์แวร์ดีขึ้นเอง ถ้าไม่ยึดพื้นฐานอย่าง "small batch sizes and robust testing mechanisms"
บทความประกาศเดียวกันยังระบุว่าการใช้ AI มากขึ้นสัมพันธ์กับคุณภาพเอกสาร คุณภาพโค้ด และความเร็วของ code review ที่ดีขึ้นด้วย ภาพรวมจึงมีทั้งด้านบวกและด้านลบ ตัวเลขเหล่านี้มาจากแบบสำรวจ จึงเป็นความสัมพันธ์ ไม่ใช่การพิสูจน์ว่า AI เป็นสาเหตุ
รายงานปี 2025 (ประกาศ 24 กันยายน 2025 ใช้ชื่อ State of AI-assisted Software Development) พบความสัมพันธ์เชิงบวกระหว่างการใช้ AI กับ throughput (ปริมาณและความเร็วของการส่งมอบ) แล้ว แต่ยังระบุว่า "AI adoption does continue to have a negative relationship with software delivery stability." (stability คือความเสถียรของการส่งมอบ) และอธิบายกลไกว่า "Without robust control systems, like strong automated testing, mature version control practices, and fast feedback loops, an increase in change volume leads to instability."
ตารางนี้แยกกลไกที่ทำให้หนี้เพิ่ม พร้อมแหล่งที่มาและวิธีคุม รายละเอียดของแต่ละวิธีอยู่ในหัวข้อถัดไป
| กลไก | หลักฐาน | วิธีคุม |
|---|---|---|
| ปริมาณการเปลี่ยนแปลงโตเร็วกว่าที่ทีม review และทดสอบทัน | DORA 2024 และ 2025 (ด้านบน) | Pull Request เล็ก, test อัตโนมัติ, CI gate |
| โค้ดดูถูกต้องแต่มีช่องโหว่ และผู้เขียนมั่นใจเกินจริง | Pearce และคณะ; Perry และคณะ (ดูด้านล่าง) | Checklist สำหรับ review, SAST ที่มีคนคัดผล |
| แนะนำ package ที่ไม่มีอยู่จริงหรือไม่ปลอดภัย | Spracklen และคณะ (USENIX Security 2025), OWASP LLM09:2025 | Dependency review, lockfile (ไฟล์ที่ล็อกเวอร์ชัน dependency ที่ติดตั้งจริง), รายการ package ที่อนุญาต |
| เขียนโค้ดใหม่แทนใช้ของที่มีในระบบแล้ว | NIST SSDF PW.4 | ตรวจการใช้ซ้ำใน review, ตรวจโค้ดซ้ำใน CI |
| ไม่รู้กฎธุรกิจ ข้อตกลงของทีม และเหตุผลของสถาปัตยกรรม | GitHub Docs, แนวทางของ ETDA | ADR, ไฟล์ข้อตกลงของ repository, reviewer ที่รู้ domain |
| AI เขียนทั้งโค้ดและ test ที่ใช้ตรวจโค้ดนั้น | GitHub Docs | ตรวจ test เทียบ requirement, จับ test ที่ถูกลบหรือข้าม |
| ไม่รู้ที่มาและ license ของโค้ดหรือ dependency | NIST SSDF PS.3.2, OWASP LLM03:2025 | SBOM, ตรวจ license, ข้อตกลงเรื่องที่มาในสัญญา |
โค้ดที่ดูถูกแต่ไม่ปลอดภัย
โค้ดที่ AI สร้างผ่านการ compile และอ่านแล้วดูสมเหตุสมผล แต่อาจมีช่องโหว่ งานวิจัย Asleep at the Keyboard? ของ Pearce และคณะ (IEEE Symposium on Security and Privacy 2022) ให้ GitHub Copilot รุ่นแรกเติมโค้ดใน 89 สถานการณ์ ได้ 1,689 โปรแกรม และพบว่า "approximately 40% to be vulnerable" งานนี้ทดสอบโมเดลรุ่นปี 2021 ตัวเลขจึงใช้กับเครื่องมือรุ่นหลังตรง ๆ ไม่ได้ แต่ชี้ว่าโค้ดที่ดูถูกต้องยังต้องตรวจความปลอดภัย
ปัญหาไม่ได้อยู่ที่โค้ดอย่างเดียว แต่อยู่ที่ความมั่นใจของคนด้วย งานวิจัย Do Users Write More Insecure Code with AI Assistants? ของ Perry และคณะ (ACM CCS 2023) พบว่าผู้เข้าร่วมที่ใช้ AI assistant เขียนโค้ดที่ปลอดภัยน้อยกว่าอย่างมีนัยสำคัญ และ "were more likely to believe they wrote secure code" ส่วนผู้ที่เชื่อ AI น้อยกว่าและปรับคำสั่งเองมากกว่าสร้างช่องโหว่น้อยกว่า
Package ที่ไม่มีอยู่จริง
AI อาจแนะนำให้ติดตั้ง package ที่ไม่มีอยู่จริง ซึ่งเป็นช่องให้ผู้โจมตีลงทะเบียนชื่อนั้นแล้วใส่โค้ดอันตราย งานวิจัย We Have a Package for You! ของ Spracklen และคณะ (USENIX Security Symposium 2025) ทดสอบ LLM 16 ตัวด้วยตัวอย่างโค้ด 576,000 ชิ้นในสองภาษา พบอัตราการแนะนำ package ที่ไม่มีอยู่จริงเฉลี่ย "at least 5.2% for commercial models and 21.7% for open-source models" และพบชื่อ package ที่ไม่มีอยู่จริงไม่ซ้ำกัน 205,474 ชื่อ
OWASP LLM09:2025 Misinformation จัดเรื่องนี้ไว้ในหัวข้อ Unsafe Code Generation ว่า "The model suggests insecure or non-existent code libraries, which can introduce vulnerabilities" และแนะนำให้มีคนตรวจ โดยต้อง "Ensure that human reviewers are properly trained to avoid overreliance on AI-generated content"
โค้ดซ้ำแทนการใช้ของเดิม
เมื่อสร้างโค้ดใหม่ได้ในไม่กี่วินาที การเขียนฟังก์ชันใหม่จึงง่ายกว่าการค้นหาว่าระบบมีฟังก์ชันที่ทำงานเดียวกันอยู่แล้วหรือไม่ ผลคือ logic เดียวกันกระจายหลายที่ และต้องแก้หลายจุดเมื่อกฎธุรกิจเปลี่ยน NIST SSDF (Secure Software Development Framework, SP 800-218) มีแนวปฏิบัติ PW.4 ชื่อ "Reuse Existing, Well-Secured Software When Feasible Instead of Duplicating Functionality" ซึ่งใช้เป็นเกณฑ์ใน review ได้ตรง ๆ
บริบทที่ AI ไม่รู้
AI เห็นเฉพาะสิ่งที่อยู่ในคำสั่งและไฟล์ที่เครื่องมือส่งให้ จึงไม่รู้กฎธุรกิจที่อยู่ในหัวคน ข้อตกลงของทีม หรือเหตุผลที่สถาปัตยกรรมเป็นแบบนี้ คู่มือ review โค้ดที่ AI สร้างของ GitHub เตือนว่า "Be skeptical of code that 'looks right' but doesn't match your intent." ส่วนแนวทางของ ETDA ระบุว่า Generative AI อาจ "สร้างคำตอบที่ดูเหมือนมีเหตุผล แต่ไม่ถูกต้องตามข้อเท็จจริง" (hallucination) และผลลัพธ์ใช้แทนความเห็นของผู้เชี่ยวชาญเฉพาะด้านไม่ได้
อะไรที่ AI ไม่ได้เปลี่ยน
Technical Debt ยังเป็นการตัดสินใจของคนและฝ่ายบริหาร ไม่ใช่ผลข้างเคียงของเครื่องมือ ทีมที่มี test อัตโนมัติ review ที่จริงจัง และวิธีบันทึกหนี้อยู่แล้ว จะได้ประโยชน์จาก AI มากกว่าทีมที่ไม่มี
หน้ารายงาน DORA 2025 สรุปว่า "AI's primary role is as an amplifier, magnifying an organization's existing strengths and weaknesses." และบทความประกาศรายงานเขียนสั้นกว่านั้นว่า "AI doesn't fix a team; it amplifies what's already there."
คอขวดจึงย้ายจากการเขียนไปอยู่ที่การ review และการทำความเข้าใจ ถ้าจำนวน reviewer ที่รู้ระบบจริงเท่าเดิม แต่ทุกคนสร้างโค้ดได้เร็วขึ้นโดยไม่เปลี่ยนวิธี review ผลคือคิว review ยาวขึ้น หรือ review ผิวเผินลง ทั้งสองทางเพิ่มหนี้
คุมคุณภาพโค้ดที่ AI ช่วยเขียนในแต่ละ Pull Request อย่างไร
หลักคือมาตรฐานเดียวกับโค้ดที่คนเขียน แต่เพิ่มจุดตรวจตามกลไกที่ AI ทำให้เกิดหนี้ และให้ผู้เปิด Pull Request (PR คือคำขอรวมการเปลี่ยนแปลงเข้าโค้ดหลัก) รับผิดชอบโค้ดทั้งหมดเหมือนเขียนเอง
ผู้เปิด PR เป็นเจ้าของโค้ดทุกบรรทัด
ผู้เปิด PR ต้องอธิบายได้ว่าโค้ดทำอะไร ทำไมเลือกวิธีนี้ และทดสอบอย่างไร ถ้าอธิบายไม่ได้ PR นั้นยังไม่พร้อม review ข้อนี้ควรเขียนไว้ใน Definition of Done (เกณฑ์ที่งานต้องผ่านจึงนับว่าเสร็จ) ของทีม ส่วน DoD ทั่วไปของงานจ้างอยู่ในบทความคุมงบโปรเจกต์ซอฟต์แวร์
PR เล็กพอที่คนอ่านได้จริง
AI สร้างโค้ดหลายร้อยบรรทัดในครั้งเดียวได้ แต่ reviewer อ่านได้ละเอียดเท่าเดิม แนวปฏิบัติ code review ของ Google ระบุว่าการเปลี่ยนแปลงขนาดเล็ก "Reviewed more thoroughly." "Less likely to introduce bugs." และ "Simpler to roll back." และควรเป็นการเปลี่ยนที่จบในตัวและทำเรื่องเดียว ถ้า AI สร้างงานใหญ่ ให้แบ่งเป็นหลาย PR ก่อนส่ง review
Checklist สำหรับ review โค้ดที่ AI ช่วยเขียน
NIST SSDF แยก code review (คนอ่านโค้ด) กับ code analysis (เครื่องมือตรวจ) ไว้ใน PW.7.1 และ PW.7.2 ยกตัวอย่างว่า "Use review checklists to verify that the code complies with the requirements." checklist ด้านล่างเป็นจุดที่ควรเพิ่มสำหรับโค้ดที่ AI ช่วยเขียน โดยรวบรวมจากคู่มือของ GitHub และกลไกในหัวข้อก่อนหน้า
- ตรงกับ requirement: โค้ดทำสิ่งที่ ticket ขอ ไม่มากไม่น้อยกว่านั้น และไม่เปลี่ยนพฤติกรรมส่วนอื่นโดยไม่ได้ตั้งใจ
- Dependency ใหม่: ทุก package ที่เพิ่มมีอยู่จริง มีผู้ดูแลต่อเนื่อง license ใช้กับระบบนี้ได้ และจำเป็นจริง GitHub เตือนเรื่อง "hallucinated or suspicious packages (such as packages that don't actually exist), or slopsquatting" (GitHub อธิบายว่าเป็นการโจมตีเชิงทฤษฎีที่ใช้ package ปลอมหรือ package อันตราย คือการจดชื่อ package ที่ AI มักแนะนำผิด)
- ใช้ของเดิมก่อน: ระบบมีฟังก์ชัน library หรือ pattern ที่ทำงานนี้อยู่แล้วหรือไม่
- Test: test ตรวจ requirement จริง ไม่ใช่แค่ยืนยันสิ่งที่โค้ดทำ และไม่มี test ที่ถูกลบหรือข้ามแทนการแก้ ตามที่ GitHub เตือนว่า "Watch for tests that are deleted or skipped, instead of fixed."
- ความปลอดภัย: การรับ input การตรวจสิทธิ์ การ query ฐานข้อมูล และการจัดการ secret ทำตามมาตรฐานของทีม
- ข้อตกลงของทีม: ชื่อ โครงสร้าง การจัดการ error และ log เป็นแบบเดียวกับส่วนอื่นของระบบ
ระดับการ review ตามความเสี่ยงของการเปลี่ยน
ไม่จำเป็นต้อง review ทุก PR เข้มเท่ากัน เราแนะนำให้ทีมกำหนดเองว่าโค้ดส่วนใดต้องมี reviewer คนที่สอง เช่น การยืนยันตัวตนและสิทธิ์ การเงิน ข้อมูลส่วนบุคคล การ migrate ฐานข้อมูล และ infrastructure ส่วนการเปลี่ยนความเสี่ยงต่ำ เช่น ข้อความบนหน้าจอหรือเอกสาร ใช้ review ปกติ แล้วตั้งรายการนี้เป็นกติกาการอนุมัติในระบบจัดการโค้ดที่ใช้ เพื่อให้บังคับได้จริง ไม่ใช่ขึ้นกับความจำของ reviewer
AI ช่วย review ได้ แต่ไม่แทนคน
เครื่องมือ AI code review ช่วยหาจุดที่น่าสงสัยได้ แต่ GitHub เองไม่ได้ให้ใช้เครื่องมือของตนแทนคน เอกสาร responsible use ของ GitHub ระบุว่า "Copilot code review should be supplemented with careful human code review." และเครื่องมืออาจชี้ปัญหาที่ไม่มีอยู่จริง จึงควรใช้ผลของ AI เป็นข้อมูลประกอบ การอนุมัติ PR ยังเป็นของคน
CI ควรมี gate อะไรสำหรับโค้ดที่ AI ช่วยเขียน
CI (Continuous Integration คือการ build และทดสอบอัตโนมัติทุกครั้งที่มีการเปลี่ยนโค้ด) gate คือการตรวจอัตโนมัติที่ต้องผ่านก่อน merge ถ้า gate แจ้งเตือนอย่างเดียวแต่ไม่ block ทีมจะเรียนรู้ที่จะข้ามมัน gate ชุดนี้ใช้กับโค้ดทุกบรรทัดโดยไม่ต้องรู้ว่าใครหรืออะไรเขียน ส่วนพื้นฐานของ CI/CD pipeline อยู่ในบทความ DevOps และต้นทุนแฝง
| Gate | จับอะไร | หมายเหตุ |
|---|---|---|
| Lint และ type check | โค้ดที่ไม่ตรงข้อตกลงของทีม และการเรียก API ผิดรูปแบบ | ใช้กฎชุดเดียวกับที่ทีมใช้อยู่ |
| Test อัตโนมัติ | พฤติกรรมที่เปลี่ยนโดยไม่ตั้งใจ | SSDF PW.8.2 แนะนำให้เพิ่ม test ของช่องโหว่ที่เคยพบ "to ensure that errors are not reintroduced" |
| Coverage ของบรรทัดที่เปลี่ยน | โค้ดใหม่ที่ไม่มี test | ทีมตั้งเกณฑ์เอง วัดเฉพาะส่วนที่เปลี่ยนใน PR |
| SAST (Static Application Security Testing) | pattern ที่ไม่ปลอดภัยในโค้ด | SSDF PW.7.2 ยกตัวอย่างให้คน review ผลที่เครื่องมือรายงาน |
| Dependency review / SCA (Software Composition Analysis) | package ที่มีช่องโหว่ที่รู้แล้ว และ license ที่ใช้ไม่ได้ | SSDF PW.4.4 ยกตัวอย่าง "automatic detection of known vulnerabilities in software components" |
| Lockfile และรายการ package ที่อนุญาต | package ที่ไม่มีอยู่จริงหรือไม่ได้ผ่านการพิจารณา | PR ที่เพิ่ม dependency ใหม่ต้องมีคนอนุมัติ |
| Secret scanning | รหัสผ่าน token และ key ที่หลุดเข้า repository | ตรวจตั้งแต่ตอน push ได้ในบางแพลตฟอร์ม |
| ตรวจโค้ดซ้ำ | logic เดียวกันหลายที่ | ใช้เป็นข้อมูลให้ reviewer มากกว่า block |
ตัวอย่างจาก GitHub (ถ้าใช้แพลตฟอร์มอื่น ให้ตรวจว่ามีความสามารถที่เทียบเท่าหรือไม่): dependency review แสดง dependency ที่เปลี่ยนในแต่ละ PR พร้อมช่องโหว่และ license และ "A failed check blocks a pull request from being merged when the repository owner requires the dependency review check to pass." ประโยคสำคัญคือ "when the repository owner requires" gate มีผลเมื่อตั้งให้บังคับเท่านั้น ส่วน push protection หยุด secret ตั้งแต่ตอน push ก่อนเข้า repository
สำหรับระบบที่ต้องส่งมอบหรือตรวจรับ ให้สร้าง SBOM (Software Bill of Materials รายการส่วนประกอบทั้งหมดของซอฟต์แวร์) ทุก release ตาม SSDF PS.3.2 ที่ให้ "Collect, safeguard, maintain, and share provenance data for all components of each software release" วิธีใช้ SBOM และเครื่องมือ SCA กับระบบเดิมอยู่ในบทความรับช่วงระบบที่ไม่มีเอกสาร
ให้ AI รู้บริบทของระบบด้วย ADR และไฟล์ข้อตกลง
วิธีลดโค้ดที่ไม่ตรงกับระบบคือเขียนบริบทที่อยู่ในหัวคนลงไฟล์ใน repository ไฟล์เดียวกันนี้ใช้ได้ทั้งกับเครื่องมือ AI และกับคนที่เข้าทีมใหม่
- ADR (Architecture Decision Record): Michael Nygard เสนอใน Documenting Architecture Decisions (2011) ให้บันทึกการตัดสินใจด้านสถาปัตยกรรมเป็นไฟล์ข้อความสั้นหนึ่งไฟล์ต่อหนึ่งเรื่อง มีหัวข้อ Title, Context, Decision, Status และ Consequences เมื่อ AI หรือคนใหม่เสนอให้เปลี่ยนสิ่งที่เคยตัดสินไว้แล้ว ADR บอกได้ว่าทำไมจึงเลือกแบบเดิม
- ไฟล์ข้อตกลงของ repository: ตัวอย่างหนึ่งคือ GitHub Copilot ที่อ่าน
.github/copilot-instructions.mdและเอกสารของ GitHub ระบุว่า "Repository-wide custom instructions apply to all requests made in the context of a repository." ถ้าใช้เครื่องมืออื่น ให้ดูในเอกสารของเครื่องมือนั้นว่ารองรับไฟล์แบบนี้หรือไม่ เนื้อหาควรมีภาษาและ framework ที่ใช้ โครงสร้างโฟลเดอร์ วิธีเขียน test library ที่อนุญาตและที่ห้าม และลิงก์ไป ADR
ไฟล์เหล่านี้ช่วยให้ผลลัพธ์ตรงกับระบบมากขึ้น แต่ไม่ได้บังคับอะไร สิ่งที่บังคับได้จริงยังเป็น review และ CI gate
วัดอย่างไรว่า Technical Debt เพิ่มหรือลด
วัดจากผลที่ปลายทาง ไม่ใช่จากจำนวนบรรทัดที่ AI เขียน ถ้าทีมส่งงานบ่อยขึ้นแต่ต้องแก้ด่วนหลัง deploy บ่อยขึ้นด้วย แปลว่าหนี้กำลังเพิ่ม
DORA กำหนดตัวชี้วัดการส่งมอบซอฟต์แวร์ห้าตัว แบ่งเป็นสองกลุ่ม
- Throughput: change lead time (เวลาจาก commit เข้า version control จนถึง deploy ขึ้น production), deployment frequency (จำนวนครั้งที่ deploy ในช่วงเวลาหนึ่ง) และ failed deployment recovery time (เวลาที่ใช้กู้คืนจาก deployment ที่ล้มเหลวและต้องแก้ทันที)
- Instability: change fail rate (สัดส่วน deployment ที่ต้องแก้ทันทีหลัง deploy) และ deployment rework rate (สัดส่วน deployment ที่ไม่ได้วางแผนไว้แต่ต้องทำเพราะเหตุขัดข้องใน production)
สองตัวในกลุ่ม instability คือสัญญาณที่ตรงกับคำเตือนของรายงาน DORA เรื่องเสถียรภาพที่สุด นอกจากนี้ทีมอาจติดตามสัญญาณภายในของตัวเอง เช่น เวลาที่ PR รอ review จำนวน bug ที่หลุดถึงผู้ใช้ และงานที่ต้องแก้ซ้ำ ให้เก็บค่าก่อนเริ่มใช้ AI หรือก่อนเปลี่ยนวิธีทำงานไว้เป็นจุดเทียบ แล้วตั้งเป้าเอง ตัวเลขเป้าหมายเป็นของแต่ละทีม ไม่มีค่ากลางที่ใช้ได้ทุกระบบ
บันทึกหนี้เป็น ticket และกันเวลาคืน
Technical Debt ที่ไม่มีใครบันทึกจะไม่ถูกจัดลำดับ เราแนะนำให้บันทึกหนี้เป็น ticket ใน backlog เดียวกับงานอื่น ระบุว่าอยู่ตรงไหน กระทบอะไร และแลกกับอะไรตอนรับหนี้ แล้วกันเวลาส่วนหนึ่งของทุก sprint ไว้คืนหนี้ สัดส่วนเท่าไรให้ทีมกับเจ้าของผลิตภัณฑ์ตกลงกันเองจากตัวชี้วัดข้างต้น
นโยบายการใช้ AI coding tool ในองค์กรควรมีอะไร
นโยบายควรตอบสามเรื่อง: ใช้เครื่องมือใดได้ ส่งโค้ดและข้อมูลอะไรให้บริการ AI ภายนอกได้ และใครรับผิดชอบผลลัพธ์ ถ้าไม่มีนโยบาย แต่ละคนจะตัดสินเอง
องค์กรในไทยใช้แนวทางการประยุกต์ใช้ Generative AI อย่างมีธรรมาภิบาลสำหรับองค์กร ของศูนย์ธรรมาภิบาลปัญญาประดิษฐ์ (AIGC) ของ ETDA เป็นกรอบเริ่มต้นได้ แนวทางนี้ประกาศร่วมกับกระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคมเมื่อ 30 ตุลาคม 2024 และระบุเองว่าการไม่ปฏิบัติตามไม่เป็นการฝ่าฝืนกฎหมาย แนวทางนี้
- ยกการสร้างและปรับปรุงซอร์สโค้ด (Source Code Generation and Optimization) เป็นตัวอย่างการใช้งานในองค์กร
- ระบุความเสี่ยงที่ตรงกับงานพัฒนาซอฟต์แวร์ เช่น hallucination การเชื่อผลลัพธ์มากเกินไปโดยไม่ตรวจสอบ ความปลอดภัยสารสนเทศ ทรัพย์สินทางปัญญา และที่มาของส่วนประกอบในห่วงโซ่
- แนะนำให้กำหนดบทบาทและผู้รับผิดชอบ ให้มนุษย์กำกับการทำงานร่วมกับ AI เพื่อหลีกเลี่ยงการพึ่งพามากเกินไป และให้ประเมินความเสี่ยงของเครื่องมือ โมเดล และชุดข้อมูลจากหน่วยงานภายนอก
เรื่องการส่งโค้ดและข้อมูลออกนอกองค์กร ให้อ่านเงื่อนไขการใช้ข้อมูลของผู้ให้บริการแต่ละราย (เช่น เก็บนานเท่าไร ใช้ฝึกโมเดลหรือไม่ เก็บที่ใด) จากเอกสารของผู้ให้บริการเอง และอย่าพึ่งการตั้งค่าในเครื่องมือเป็นเส้นแบ่งความปลอดภัย
ตัวอย่างคือ content exclusion ของ GitHub Copilot ที่กันไฟล์ไม่ให้เครื่องมือใช้ได้ แต่ GitHub ระบุเองว่า "not a filesystem security boundary" และไม่ใช้แทนสิทธิ์ของระบบปฏิบัติการหรือการควบคุมการเข้าถึงอื่น ไฟล์ที่ห้ามออกนอกองค์กรจริง เช่น secret หรือข้อมูลลูกค้า ไม่ควรอยู่ในที่ที่เครื่องมืออ่านได้ตั้งแต่แรก
ถ้าโค้ดหรือคำสั่งที่ส่งให้บริการ AI มีข้อมูลส่วนบุคคล ประเด็นการส่งข้อมูลออกนอกประเทศและผู้ประมวลผลข้อมูลตาม PDPA อธิบายไว้แล้วในคู่มือ RAG สำหรับองค์กรไทย
จ้างผู้รับจ้างที่ใช้ AI เขียนโค้ด: ถามอะไรและเขียนอะไรใน TOR
การที่ผู้รับจ้างใช้ AI ไม่ใช่ปัญหา ปัญหาคือผู้ว่าจ้างไม่รู้ว่าใช้อย่างไรและตรวจผลอย่างไร ให้ถามก่อนเลือกผู้รับจ้าง และเขียนหลักฐานที่ต้องส่งไว้ใน TOR หรือสัญญา
คำถามทั่วไปเรื่องทีม QA และกรรมสิทธิ์อยู่ในchecklist 10 ข้อสำหรับเลือกบริษัท Software Development คำถามที่เพิ่มเรื่อง AI มีดังนี้
ถามว่า: "ทีมใช้เครื่องมือ AI ตัวไหนในงานของเรา ตั้งค่าเรื่องการใช้ข้อมูลอย่างไร และโค้ดหรือข้อมูลของเราจะถูกส่งไปที่ใดบ้าง? ใครเป็นผู้ review โค้ดที่ AI ช่วยเขียน และขอดูตัวอย่าง PR ที่ผ่าน review ได้ไหม? CI gate ของคุณ block อะไรบ้าง? ตรวจ package ใหม่และ license อย่างไร?"
ข้อที่ควรมีใน TOR หรือสัญญา (ให้ฝ่ายกฎหมายของผู้ว่าจ้างตรวจถ้อยคำ)
- เปิดเผยการใช้ AI: ผู้รับจ้างแจ้งเครื่องมือที่ใช้ และยืนยันว่าเงื่อนไขการใช้ข้อมูลของเครื่องมือเป็นไปตามนโยบายของผู้ว่าจ้าง
- หลักฐาน review และ test ทุกงวด: โค้ดอยู่ใน repository ของผู้ว่าจ้าง มีประวัติ PR และผู้ review และผลทดสอบอัตโนมัติ
- รายงานสแกนทุกงวด: ผล SAST, dependency/SCA และ secret scanning พร้อมรายการที่ยังค้างและเหตุผล
- SBOM และ license: SBOM ของทุก release และรายการ license ของส่วนประกอบ ตามแนว SSDF PS.3.2 และ OWASP LLM03:2025 ที่แนะนำให้ "create an inventory of all types of licenses involved using BOMs and conduct regular audits"
- ที่มาของโค้ด: ผู้รับจ้างรับรองว่าตรวจที่มาและ license ของโค้ดที่ส่งมอบแล้ว และแจ้งวิธีที่ใช้ เครื่องมือบางตัวมีการตั้งค่าช่วยเรื่องนี้ เช่น code referencing ของ GitHub Copilot ที่เทียบคำแนะนำกับโค้ดสาธารณะ แล้ว "matching suggestions can be blocked or shown with information about the matching code"
- ส่งมอบที่ดูแลต่อได้: เอกสาร ADR และไฟล์ข้อตกลงของ repository เป็นส่วนหนึ่งของงานส่งมอบ รายการส่งมอบทั้งหมดอยู่ในchecklist รับมอบงานจากผู้รับจ้าง
NIST SSDF ระบุว่าตัวเองเป็นคำศัพท์กลางที่ผู้ซื้อใช้คุยกับผู้ขายได้ การอ้างรหัสแนวปฏิบัติ เช่น PW.4, PW.7, PW.8 และ PS.3 ใน TOR ช่วยให้ทั้งสองฝ่ายเข้าใจตรงกันว่าต้องส่งหลักฐานอะไร ส่วน SP 800-218A (กรกฎาคม 2024) เป็นโปรไฟล์ SSDF สำหรับการพัฒนาโมเดล AI ใช้กับผู้พัฒนาโมเดล ผู้พัฒนาระบบที่ใช้โมเดลนั้น และผู้จัดซื้อระบบดังกล่าว ไม่ได้ครอบคลุมการใช้ AI ช่วยเขียนโค้ด
เรื่องลิขสิทธิ์ของโค้ดที่ AI ช่วยสร้าง บทความนี้ไม่ให้ความเห็นทางกฎหมาย ตัวอย่างจากต่างประเทศคือ US Copyright Office เผยแพร่รายงาน Copyright and Artificial Intelligence, Part 2: Copyrightability เมื่อ 29 มกราคม 2025 ซึ่งว่าด้วยการคุ้มครองลิขสิทธิ์ของผลลัพธ์ที่สร้างด้วย Generative AI ให้กำหนดกรรมสิทธิ์และการรับรองไว้ในสัญญาและปรึกษาที่ปรึกษากฎหมาย หลักเรื่องงานจ้างตามพระราชบัญญัติลิขสิทธิ์อยู่ในบทความเลือกบริษัท Software Development ข้อ 6 ส่วนการคุมขอบเขตและงบระหว่างโครงการอยู่ในบทความคุมงบโปรเจกต์ซอฟต์แวร์
สถานะ ณ วันที่ 2026-11-17: มาตรฐาน รายงาน และฟีเจอร์ที่อ้างถึง
ข้อมูลในตารางนี้เปลี่ยนได้ ให้ตรวจกับหน้าต้นทางก่อนนำไปใส่ใน TOR หรือนโยบาย
| เรื่อง | สถานะตามหน้าต้นทาง | แหล่งที่มา |
|---|---|---|
| NIST SSDF v1.1 | SP 800-218 Version 1.1 ฉบับสมบูรณ์ เผยแพร่กุมภาพันธ์ 2022 | NIST CSRC |
| NIST SSDF v1.2 (ร่าง) | SP 800-218 Rev. 1 (SSDF Version 1.2) เป็น Initial Public Draft ลงวันที่ 17 ธันวาคม 2025 | NIST CSRC |
| NIST SP 800-218A | เผยแพร่กรกฎาคม 2024 เป็นโปรไฟล์ SSDF สำหรับการพัฒนาโมเดล AI ใช้กับผู้พัฒนาโมเดล ผู้พัฒนาระบบที่ใช้โมเดลนั้น และผู้จัดซื้อระบบดังกล่าว | NIST CSRC |
| OWASP Top 10 for LLM Applications | ฉบับ 2025 มี LLM03:2025 Supply Chain และ LLM09:2025 Misinformation รายการนี้เขียนสำหรับแอปพลิเคชันที่ใช้ LLM ไม่ได้เขียนเฉพาะเครื่องมือช่วยเขียนโค้ด | OWASP GenAI |
| ตัวชี้วัด DORA | ห้าตัวชี้วัด แบ่งเป็น throughput และ instability หน้าเอกสารระบุวันแก้ไขเป็น 5 มกราคม 2026 | dora.dev |
| รายงาน DORA | ปี 2024 ประกาศ 23 ตุลาคม 2024 · ปี 2025 ประกาศ 24 กันยายน 2025 ใช้ชื่อ State of AI-assisted Software Development | 2024, 2025 |
| Copilot repository instructions | อ่านคำแนะนำประจำ repository จากไฟล์ copilot-instructions.md ในโฟลเดอร์ .github | GitHub Docs |
| Copilot content exclusion | มีในแผน Copilot Business และ Copilot Enterprise และไม่ใช่เส้นแบ่งความปลอดภัยของระบบไฟล์ | GitHub Docs |
| Copilot code referencing | บล็อกหรือแสดงข้อมูลโค้ดสาธารณะที่ตรงกันตาม policy | GitHub Docs |
| แนวทาง Generative AI ของ ETDA | Volume 1 (สิงหาคม 2024) ประกาศ 30 ตุลาคม 2024 เป็นแนวทางโดยสมัครใจ ไม่ใช่กฎหมาย | ETDA |
เช็กลิสต์คุมคุณภาพโค้ดเมื่อใช้ AI ช่วยเขียน
เช็กลิสต์นี้แบ่งเป็นสี่ส่วน คือ นโยบายองค์กร การตรวจทุก Pull Request, CI gate และสัญญากับผู้รับจ้าง คัดลอกไปใช้เป็นจุดเริ่มต้นแล้วปรับตามขนาดทีมและความเสี่ยงของระบบ
นโยบายองค์กร
- รายชื่อเครื่องมือ AI ที่อนุญาต และเงื่อนไขการใช้ข้อมูลของแต่ละเครื่องมือที่อ่านแล้ว
- ประเภทโค้ดและข้อมูลที่ห้ามส่งให้บริการ AI ภายนอก และวิธีกันไว้ด้วยสิทธิ์การเข้าถึง ไม่ใช่แค่การตั้งค่าในเครื่องมือ
- ผู้รับผิดชอบนโยบายและรอบทบทวน
- หลักว่าผู้เปิด PR เป็นเจ้าของโค้ดทั้งหมด เขียนไว้ใน Definition of Done
ทุก Pull Request
- ผู้เปิด PR อธิบายได้ว่าโค้ดทำอะไรและทดสอบอย่างไร
- PR ทำเรื่องเดียวและเล็กพอที่ review ได้ละเอียด
- ตรงกับ requirement และใช้ฟังก์ชันหรือ library ที่มีในระบบก่อนเขียนใหม่
- Dependency ใหม่มีอยู่จริง มีผู้ดูแล license ใช้ได้ และได้รับอนุมัติ
- Test ตรวจ requirement ไม่มี test ที่ถูกลบหรือข้าม
- ส่วนที่เสี่ยงสูงมี reviewer คนที่สองตามรายการที่ทีมกำหนด
CI gate
- Lint, type check และ test อัตโนมัติ ต้องผ่านก่อน merge
- Coverage ของบรรทัดที่เปลี่ยน ตามเกณฑ์ที่ทีมตั้ง
- SAST โดยมีคนคัดผล
- Dependency review หรือ SCA ที่ block ช่องโหว่และ license ที่ไม่อนุญาต
- Lockfile และรายการ package ที่อนุญาต
- Secret scanning ตั้งแต่ตอน push
- Gate ทั้งหมดตั้งเป็น required ไม่ใช่แค่แจ้งเตือน
สัญญากับผู้รับจ้าง
- เปิดเผยเครื่องมือ AI ที่ใช้และเงื่อนไขการใช้ข้อมูล
- โค้ดอยู่ใน repository ของผู้ว่าจ้าง พร้อมประวัติ PR และผู้ review
- ผลทดสอบ รายงาน SAST, SCA และ secret scanning ทุกงวด
- SBOM และรายการ license ทุก release
- การรับรองเรื่องที่มาและ license ของโค้ด โดยฝ่ายกฎหมายตรวจถ้อยคำ
- ADR และไฟล์ข้อตกลงของ repository อยู่ในงานส่งมอบ
UNIXDEV ช่วยอะไรได้บ้าง
งานพัฒนาซอฟต์แวร์เฉพาะองค์กรของ UNIXDEV ใช้กระบวนการที่ได้รับการรับรอง ISO/IEC 29110-4-1:2018 จาก SGS Thailand ซึ่งมีรอบ sprint ที่สม่ำเสมอ code review การทดสอบอัตโนมัติ การทบทวนหลังจบ sprint (retrospective) และ risk log ที่ตรวจสอบได้
ถ้าระบบเดิมสะสมหนี้จนแก้ยาก บริการดูแลระบบเดิมเริ่มจากประเมิน source code, dependencies และส่วนที่ยังไม่มีชุดทดสอบ แล้วจัดลำดับความเสี่ยงก่อนทยอยปรับปรุง
บริการ DevOps วาง pipeline ที่ test จริงและมี gate ที่ block ได้ ถ้าระบบเก่าเกินกว่าจะคืนหนี้ทีละส่วน ดูทางเลือกในบทความ modernize ระบบเดิม
แหล่งอ้างอิงและอ่านต่อ
- Ward Cunningham — The WyCash Portfolio Management System (OOPSLA 1992) · Martin Fowler — Technical Debt · Technical Debt Quadrant
- DORA — Software delivery performance metrics · Announcing the 2024 DORA report · Announcing the 2025 DORA report · DORA 2025 report
- Pearce et al. — Asleep at the Keyboard? (IEEE S&P 2022) · Perry et al. — Do Users Write More Insecure Code with AI Assistants? (ACM CCS 2023) · Spracklen et al. — We Have a Package for You! (USENIX Security 2025)
- OWASP Top 10 for LLM Applications 2025 · LLM09:2025 Misinformation · LLM03:2025 Supply Chain
- NIST SP 800-218 SSDF Version 1.1 (PDF) · SP 800-218 Rev. 1 (draft) · SP 800-218A
- Google Engineering Practices — Small CLs · Michael Nygard — Documenting Architecture Decisions
- GitHub — Review AI-generated code · Responsible use of Copilot code review · Repository custom instructions · Content exclusion · Code referencing
- GitHub — About dependency review · About push protection
- ETDA — ประกาศแนวทางประยุกต์ใช้ Generative AI อย่างมีธรรมาภิบาลสำหรับองค์กร · Generative AI Governance Guideline for Organizations Vol. 1 (PDF)
- US Copyright Office — Copyright and Artificial Intelligence
- บทความที่เกี่ยวข้อง: จ้างทำซอฟต์แวร์ไม่ให้งบบานปลาย
- บทความที่เกี่ยวข้อง: วิธีเลือกบริษัท Software Development
- บทความที่เกี่ยวข้อง: checklist รับมอบงานจากผู้รับจ้าง
- บทความที่เกี่ยวข้อง: รับช่วงระบบที่ไม่มีเอกสาร
- บทความทั้งหมดในหมวดพัฒนาซอฟต์แวร์องค์กร
ตรวจข้อมูล ณ วันที่ 2026-11-17
วิธีจัดทำ: อ้างอิงจากเอกสารต้นทางข้างต้น ตรวจโดยทีม UNIXDEV
คำถามที่พบบ่อย
ควรห้ามทีมใช้ AI ช่วยเขียนโค้ดไหม?
ไม่จำเป็น รายงาน DORA 2025 สรุปว่า AI ทำหน้าที่ขยายจุดแข็งและจุดอ่อนที่องค์กรมีอยู่แล้ว สิ่งที่ตัดสินว่าปริมาณโค้ดที่เพิ่มขึ้นจะกลายเป็นความไม่เสถียรหรือไม่คือระบบควบคุม เช่น test อัตโนมัติ การจัดการ version control และ feedback ที่เร็ว ทางที่ได้ผลกว่าการห้ามคือมีนโยบายว่าใช้เครื่องมือใดและส่งข้อมูลอะไรได้ ให้ผู้เปิด PR เป็นเจ้าของโค้ด และตั้ง CI gate ที่ block ได้จริง
ทีมเล็กที่มี reviewer คนเดียวจะคุมคุณภาพอย่างไร?
ให้ CI gate ที่ block ได้จริงรับภาระการตรวจมากขึ้น ให้ผู้เปิด PR อธิบายโค้ดของตัวเองได้ทุกบรรทัดและตรวจตาม checklist ก่อนขอ review และให้ PR เล็กพอที่ reviewer คนเดียวอ่านได้ละเอียด ส่วนที่เสี่ยงสูง เช่น การยืนยันตัวตนหรือข้อมูลส่วนบุคคล ให้กำหนดล่วงหน้าว่าจะหา reviewer คนที่สองจากที่ใด
ทีมที่เพิ่งเริ่มใช้ AI ช่วยเขียนโค้ดควรเริ่มคุมจากข้อไหนก่อน?
เริ่มจากข้อที่บังคับได้ทันที คือเขียนไว้ใน Definition of Done ว่าผู้เปิด PR ต้องอธิบายโค้ดได้ทุกบรรทัด ให้ test อัตโนมัติต้องผ่านก่อน merge และตั้ง dependency review กับ secret scanning เป็น required ไม่ใช่แค่แจ้งเตือน ข้ออื่นในเช็กลิสต์ให้ปรับตามขนาดทีมและความเสี่ยงของระบบ
ควรกันเวลาคืน Technical Debt เท่าไรในแต่ละ sprint?
ไม่มีตัวเลขกลางที่ใช้ได้ทุกทีม ให้ทีมกับเจ้าของผลิตภัณฑ์ตกลงกันเอง โดยเก็บค่าตั้งต้นของตัวชี้วัดอย่าง change fail rate และ deployment rework rate ของ DORA ไว้ก่อน แล้วปรับสัดส่วนเวลาตามแนวโน้มของตัวชี้วัดเหล่านี้
จะรู้ได้อย่างไรว่าผู้รับจ้างใช้ AI อย่างมีการควบคุม?
ขอให้เปิดเผยเครื่องมือที่ใช้และการตั้งค่าการใช้ข้อมูล ขอดูตัวอย่าง PR ที่ผ่าน review ถามว่า CI gate block อะไรบ้าง และกำหนดใน TOR หรือสัญญาให้ส่งผลทดสอบ รายงาน SAST, SCA และ secret scanning ทุกงวด พร้อม SBOM ของทุก release