Visual Studio 2026 18.9.0で、GitHub Copilotに 「思考力(Thinking effort)」を調整する機能が追加されました。
対応するモデルでは、Copilotにどの程度の推論を行わせるかを設定できます。
思考力のレベルはモデルによって異なり、Low / Medium / Highに加えて、対応するモデルではExtra HighやMaxも選択できます。
「とりあえず一番賢い設定で使う」のではなく、タスクの難易度に応じて思考力を使い分けることができるようになったわけです。
そして、この機能にはもう一つ重要なポイントがあります。
思考力を下げることで、AIクレジットの消費を抑えることが期待できます。
「思考力」を調整すると何が変わる?
Microsoft Learnでは、Thinking effortは、モデルが回答する前に行う推論の量を調整する設定と説明されています。
思考力が高いほど、より複雑な問題に対して深く推論できます。一方で、推論に必要なトークンが増えるため、AIクレジットの消費量も増加します。
ただし、すべてのモデルが同じ思考力レベルに対応しているわけではありません。
例えば、
| 思考力 | 特徴 | 使いどころ |
|---|---|---|
| Low | 推論を抑えて高速に回答 | 簡単な質問・コード修正 |
| Medium | 推論と速度のバランス | 普段の開発 |
| High | より深く推論 | 複雑な設計・デバッグ |
| Extra High | さらに深い推論 | 非常に複雑な問題 |
| Max | 利用可能な範囲で最大限の推論 | 特に難しい問題 |
というイメージです。
ただし、Extra HighやMaxがすべてのモデルで利用できるわけではありません。
実際に選択できるレベルは、モデル ピッカーやモデル管理画面で対象モデルの対応状況を確認する必要があります。
なぜAIクレジットの節約につながるのか?
ここが今回の機能で一番注目したいところです。
GitHub Copilotでは、入力・出力・キャッシュされたトークンなどの使用量と、選択したモデルのレートに基づいてAIクレジットが消費されます。
そしてMicrosoft Learnでは、思考力を高くするとAIクレジットの消費量が増え、低くすると消費量を抑えられることが説明されています。
イメージとしては、
思考力 Low
↓
推論を抑える
↓
高速な応答
↓
AIクレジットを抑えやすい
↓
思考力 High
↓
より深く推論
↓
回答までの時間・使用トークンが増える
↓
AIクレジットを多く消費
という関係です。
もちろん、「Lowにすれば必ず○%節約できる」という固定の削減率があるわけではありません。
モデルやプロンプト、入力・出力の量などによって実際の消費量は変わります。
そのため、
「AIクレジットを節約するために、すべてLowにする」
というより、
「必要のないところでは思考力を下げ、本当に考えてほしいところにAIクレジットを使う」
という考え方が適しています。
「Copilotに何でも全力で考えさせる」をやめる
GitHub Copilotを使い始めた頃は、
とりあえず一番賢いモデルを使えばいい
となりがちです。
でも、開発作業を一日中Copilotと一緒にやっていると、事情が変わります。
例えば、
- コードの説明
- 変数名の変更
- コメント追加
- 単純なコード修正
- 簡単なテストコード生成
こうした作業まで、毎回HighやExtra High、Maxで考えさせる必要はありません。
むしろ、
簡単な作業 → Low
普通の開発 → Medium
難しい問題 → High
非常に難しい問題 → Extra High / Max
というように、タスクに応じて使い分ける方が合理的です。
「必要になったら思考力を上げる」
おすすめは、最初から高い思考力に固定するのではなく、必要になったら段階的に上げる方法です。
簡単な作業
↓
Low
↓
回答が不十分?
↓
Medium
↓
まだ難しい?
↓
High
↓
さらに高度な推論が必要?
↓
Extra High / Max
例えば、
「この変数名を分かりやすく変更して」
ならLow。
「この処理をリファクタリングして」
ならMedium。
「このデッドロックの原因を分析して」
ならHigh。
そして、
「大規模なシステムのアーキテクチャを複数案比較し、トレードオフまで分析して」
といった非常に複雑な問題では、モデルが対応していればExtra HighやMaxを試す価値があります。
「モデル」と「思考力」は別に考える
今回の機能を理解するときに重要なのが、
モデルの選択と思考力の設定は別物
ということです。
モデルによって性能やコスト、コンテキストサイズなどが異なります。
そのうえで、対応モデルについては、
どのモデルを使うか
+
どれくらい考えさせるか
↓
回答品質・速度・AIクレジット
という形で考えられます。
つまり、
「一番高性能なモデルを選ぶ」
だけではなく、
「このタスクにはどのモデルを使い、どこまで考えさせるか」
を選択できるわけです。
Visual Studioでどこから設定する?
思考力は、Copilot Chatのモデル選択ドロップダウンのモデル管理ビューから設定できます。
モデル管理画面で、そのモデルが対応している思考作業レベルを確認・設定できます。
ここで重要なのは、利用可能な思考力のレベルがモデルによって異なることです。
Low / Medium / Highだけのモデルもあれば、Extra HighやMaxまで選択できるモデルもあります。
そのため、
「CopilotにはHighまでしかない」
と考えるのではなく、
「選択したモデルが、どの思考力レベルに対応しているかを確認する」
という使い方になります。
AIクレジットの使用状況も確認できる
GitHub Copilotを日常的に使うなら、使用量も確認しておきたいところです。
Visual StudioではCopilotの使用状況を確認でき、AIクレジットの利用状況を把握できます。
例えば、
「今月かなり使っているな」
と分かったら、
簡単なタスク → Low
通常の開発 → Medium
難しい問題 → High
非常に難しい問題 → Extra High / Max
というように使い分ける。
これだけでも、AIクレジットを意識したCopilotの使い方ができます。
AIクレジットを「節約する」のではなく「配分する」
ここまでの話を一言でまとめるなら、
AIクレジットを一律に減らすのではなく、必要な問題に重点的に使う
ということです。
変数名変更
↓
Low
コード説明
↓
Low
通常のリファクタリング
↓
Medium
設計レビュー
↓
High
複雑なアルゴリズム
↓
High~Extra High
非常に難しい設計・分析
↓
Extra High / Max
もちろん、実際に利用できるレベルはモデルによって異なります。
「簡単な仕事にまでMaxを使わない」
これだけでも、Copilotを大量に利用する開発者にとっては意識する価値があります。
まとめ
Visual Studio 2026 18.9.0で追加された「思考力」の調整機能によって、対応するモデルでは、Copilotにどの程度の推論を行わせるかを開発者自身が設定できるようになりました。
思考力のレベルはモデルによって異なり、Low / Medium / Highに加えて、Extra HighやMaxに対応するモデルも存在します。
そして、思考力を高くするとより深い推論が可能になる一方、AIクレジットの消費量も増えます。
だからこそ、
簡単な仕事はLow。
普段の開発はMedium。
難しい問題はHigh。
本当に難しい問題だけExtra High / Max。
という使い分けができます。
GitHub Copilotを毎日のように使っているなら、
「Copilotを賢く使う」だけでなく、「Copilotの思考コストまで管理して使う」
という発想を取り入れてみてはいかがでしょうか。
必要なところではしっかり考えてもらい、必要のないところではAIクレジットを抑える。
Visual Studio 2026 18.9.0で追加された「思考力」の調整機能は、AIの性能を最大化するためだけではなく、限られたAIクレジットを効率よく使うための機能としても活用できそうです。
参考
-
GitHub Changelog — GitHub Copilot in Visual Studio: August update
GitHub公式:GitHub Copilot in Visual Studio — August update -
Microsoft Learn — Visual Studio 2026 リリース ノート
Microsoft公式:Visual Studio 2026 リリース ノート(GitHub Copilot) -
Microsoft Learn — GitHub Copilot の使用状況とモデル
Microsoft Learn:GitHub Copilot の使用状況とモデル(思考の強度を設定する) -
Visual Studio Blog — Visual Studio August Update: Work Smarter Across Models and Branches
Visual Studio Blog:Visual Studio August Update — Work Smarter Across Models and Branches

