GitHub Copilot
Por qué importa
En profundidad
Bajo el capó, Copilot es un pipeline de ensamblaje de contexto alrededor de un modelo de lenguaje grande. Cuando haces una pausa al escribir, la extensión recopila señales del editor — el archivo actual, pestañas abiertas vecinas, imports, ediciones recientes —, las empaqueta en un prompt y las envía a un modelo alojado por GitHub; la respuesta regresa por streaming como "texto fantasma" gris que aceptas con Tab o descartas al seguir escribiendo. La vista previa técnica original de 2021 se ejecutaba sobre OpenAI Codex, un descendiente de GPT-3 entrenado con código fuente público, y ofrecía poco más que autocompletado de un solo archivo. Desde entonces, GitHub ha añadido una interfaz de chat, edición de varios archivos y un modo agente que puede ejecutar comandos de terminal y pruebas, mientras que el menú de modelos pasó de contener únicamente OpenAI a ofrecer también opciones de Anthropic y Google. El bucle subyacente nunca cambió: el contexto del editor sale, regresa una sugerencia y un humano decide si conservarla.
Del autocompletado al modo agente
La historia del producto es un buen mapa del rumbo que han seguido las herramientas de programación en general. La versión de 2021 hacía una sola cosa — predecir el siguiente fragmento de código — y la hacía tan bien que el "desarrollo impulsado por Tab" se convirtió en un chiste recurrente. Copilot Chat añadió una barra lateral donde haces preguntas sobre el código frente a ti, con comandos de barra como /explain, /fix y /tests para operaciones comunes. Después llegó el modo de edición de varios archivos, que permite que una sola instrucción reescriba varios archivos de una vez. El modo agente, añadido en 2025, va más lejos: describes una tarea y Copilot planifica el cambio, edita archivos, ejecuta builds y pruebas en la terminal, lee los errores e itera hasta que las verificaciones pasan — un Flujo de trabajo agéntico en miniatura en lugar de un motor de autocompletado.
GitHub también ha llevado la misma idea fuera del editor. Se puede asignar un issue de GitHub a un agente de programación y dejar que abra por sí solo un pull request, trabajando en un entorno aislado. Copilot Workspace, lanzado como vista previa técnica, hizo la apuesta más definida sobre el problema: parte de un issue y Copilot redacta una descripción del comportamiento actual, un plan para el cambio y luego la implementación, y cada paso puede editarse antes de escribir una sola línea de código. La dirección es constante — cada generación del producto aleja al humano un paso de las pulsaciones de teclas y lo acerca otro a revisar la intención.
El problema del contexto
La calidad de las sugerencias está limitada por lo que Copilot puede ver, y no puede verlo todo. El modelo de completado trabaja con el archivo actual más las "pestañas vecinas" — otros archivos que tienes abiertos —, además de los imports y el historial de ediciones recientes, y todo debe caber dentro de una Ventana de contexto finita. En el chat, el participante @workspace indexa el repositorio para poder responder preguntas sobre toda la base de código, pero en un monorepo grande o una base de código construida sobre frameworks internos poco comunes, la cobertura se vuelve escasa y las sugerencias degeneran en conjeturas. Por eso dos desarrolladores del mismo equipo pueden tener experiencias opuestas con la misma herramienta.
La habilidad práctica es dirigir el contexto en vez de confiar en la suerte. Mantener abiertos los archivos pertinentes, usar nombres descriptivos y escribir un comentario breve que diga qué debería hacer la próxima función mejora de forma medible los completados. En el chat, adjuntar los archivos y símbolos correctos como referencias explícitas supera a formular preguntas vagas. Los equipos que se toman esto en serio terminan practicando ingeniería de contexto, lo llamen así o no: el modelo solo es tan bueno como el prompt que el editor construye para él.
Un selector de modelos y un nivel gratuito
Durante sus primeros años, Copilot significaba modelos de OpenAI, sin excepciones. Eso cambió en 2025, cuando GitHub añadió un selector de modelos que incluye Claude de Anthropic y Gemini de Google junto a la línea de OpenAI, con distintos modelos disponibles para completados, chat y modo agente. La lectura pragmática es que la elección del modelo importa menos para los completados con Tab que para las largas ejecuciones agénticas con uso de herramientas, donde los modelos de razonamiento más potentes producen planes notablemente mejores — y donde GitHub mide el uso mediante una cuota de "solicitudes premium" en los planes de pago.
Los precios abarcan desde un nivel gratuito — una cantidad limitada de completados y mensajes de chat al mes, suficiente para evaluar el flujo de trabajo — hasta los planes Pro, Business y Enterprise, que elevan los límites y añaden los controles que las empresas realmente necesitan: gestión de políticas, configuración para toda la organización, gestión de plazas y registro de auditoría. La disponibilidad de modelos varía según el plan, por lo que el selector que ve cada desarrollador depende de lo que haya habilitado la organización. El nivel gratuito importa tanto estratégica como comercialmente: puso un programador en pareja con IA delante de cada estudiante y mantenedor de código abierto, precisamente la población que hizo dominante a VS Code.
No sustituirá la revisión de código
La idea equivocada persistente es que la salida de Copilot es fiable porque parece idiomática y a menudo compila. En la práctica, el modelo incurre con confianza en Alucinación: inventa métodos de API que parecen plausibles, llama a funciones obsoletas y reproduce errores que eran comunes en sus datos de entrenamiento — que son el código de internet público, errores incluidos. Los estudios, incluidos los del propio GitHub, señalan mejoras reales de velocidad en código repetitivo y pruebas, pero todas esas cifras dan por sentado que un humano revisa el diff y ejecuta la suite. La herramienta resulta rentable precisamente porque se espera que un desarrollador lea cada línea antes del lanzamiento.
Las licencias merecen el mismo tratamiento lúcido. Como los datos de entrenamiento incluían repositorios públicos, algunos bajo licencias copyleft, Copilot se convirtió en un pararrayos dentro del debate sobre los Derechos de autor en IA, incluida una demanda colectiva presentada en 2022. Las mitigaciones de GitHub son un filtro de detección de duplicados que suprime sugerencias muy similares al código público y una indemnización de propiedad intelectual para clientes con planes de pago. Ninguna elimina la necesidad de criterio: trata una sugerencia de Copilot como un pull request de un compañero de equipo rápido pero principiante — útil, a veces equivocado y nunca fusionado sin leer.
La categoría que creó
El éxito de Copilot creó en la práctica el mercado de asistentes de codificación con IA y luego obligó a GitHub a defenderlo. Cursor reconstruyó el editor alrededor del modelo y conquistó a los usuarios avanzados, Windsurf impulsó los flujos agénticos y los grandes proveedores de nube lanzaron asistentes propios. La respuesta de GitHub ha sido incorporar cada nuevo patrón de interacción a Copilot y apoyarse en una distribución que ningún rival puede igualar: VS Code, el grafo de repositorios de GitHub y contratos empresariales ya existentes. Como los competidores suelen ejecutarse sobre los mismos modelos de frontera, la verdadera batalla es por el manejo del contexto, la integración con el editor y el precio, no por la calidad bruta del modelo.
Copilot también es la puerta de entrada al vibe coding a escala: a medida que el modo agente se ocupa de tareas mayores, el trabajo pasa de escribir código a especificar comportamientos y revisar diffs. Ese cambio recompensa a los ingenieros que escriben issues precisos y pruebas sólidas, y castiga a los equipos sin disciplina de revisión. La herramienta que empezó como un autocompletado más inteligente se ha convertido en la interfaz predeterminada mediante la que una generación de desarrolladores trabaja por primera vez con un agente de IA.