Què és GitHub Copilot
GitHub Copilot és un servei d’assistència i agents d’IA per desenvolupar programari. Partí de l’autocompleció de codi; actualment inclou conversa sobre projectes, edició de fitxers, execució de tasques i revisió de propostes de canvi. L’ofereix GitHub amb models de diversos proveïdors.
Cal separar tres elements: el producte, que organitza accés i eines; el model, que interpreta context i genera respostes; i l’entorn d’execució, on es llegeixen fitxers o s’executen proves. Triar un model no determina per si sol els permisos de l’agent ni on es processa la informació.
GitHub Copilot té subscripció i condicions pròpies. No és Microsoft Copilot per a consultes generals o ofimàtica, ni l’agent Codex d’OpenAI, encara que pugui utilitzar tecnologia o integracions d’aquests proveïdors. Per a un equip de SST és pertinent quan hi ha una feina concreta de programació que dona suport a la gestió preventiva.
Documentació de referència: GitHub — Technical preview, June2021 · GitHub — Plans.
Història i etapes principals
El 29 de juny de 2021 GitHub presentà la versió tècnica preliminar, desenvolupada amb OpenAI i basada inicialment en Codex. Arribà primer a Visual Studio Code. L’octubre s’amplià a Neovim i entorns JetBrains; el 29 de març de 2022 s’hi afegí Visual Studio 2022. La disponibilitat general per subscripció començà el 21 de juny de 2022.
Com a antecedent de l’assistència dins l’editor, Microsoft Research havia mostrat Bing Code Search per a Visual Studio 2013 el febrer de 2014: recuperava exemples de codi de la web. Aquest enfocament de cerca ajuda a entendre l’evolució de les eines, però no demostra que Copilot sigui simplement una nova versió del mateix programa.
- 2023: Copilot Chat amplià la interacció amb llenguatge natural. Al novembre GitHub anuncià l’actualització a GPT-4 i la disponibilitat general prevista per al desembre.
- Octubre de 2024: la tria de models s’amplià amb propostes d’Anthropic i Google al costat d’OpenAI.
- 6 de febrer de 2025: es presentà el mode agent a VS Code, capaç d’encadenar edicions i eines.
- 19 de maig de 2025: el coding agent afegí feina asíncrona en un entorn de GitHub Actions i lliurament mitjançant pull request.
- 2026: Copilot CLI assolí disponibilitat general el 25 de febrer i l’aplicació d’escriptori el 17 de juny. A l’octubre, Fusion i els projectes ampliaren la coordinació entre models, repositoris i sessions.
L’evolució canvia què es delega: completar una línia, modificar una funció i mantenir una tasca en segon pla exigeixen contextos i comprovacions diferents. Una guia antiga d’autocompleció no descriu tota la plataforma actual.
Documentació de referència: GitHub — Technical preview, June2021 · GitHub — Universe2021 · GitHub — VisualStudio2022 · GitHub — General availability · Microsoft Research — BingCodeSearch · GitHub — Universe2023 · GitHub — Model choice,2024 · GitHub — Agent mode · GitHub — Coding agent · GitHub — CLI general availability · GitHub — Desktop app · GitHub — Universe2026.
Funcions i funcionament
- Assistència per escriure i explicar codi.
- Treball amb tasques de desenvolupament i projectes.
- Integració amb entorns i eines de programació.
GitHub Copilot combina assistència mentre es programa amb funcions d’agent. Els suggeriments en línia proposen codi; el xat ajuda a explicar-lo o modificar-lo; els agents poden investigar un repositori, editar fitxers, executar eines i preparar canvis per revisar-los. Les capacitats disponibles depenen del client, el pla i les polítiques de l’organització.
El context inclou codi i instruccions del projecte. La sortida pot ser una explicació, una modificació o una proposta d’integració mitjançant pull request. Aquesta última permet inspeccionar diferències i resultats de comprovacions abans d’incorporar el canvi; que l’agent acabi una tasca no demostra que el comportament sigui correcte.
Documentació de referència: About GitHub Copilot · Application card: GitHub Copilot Agents.
Models, context i generació de codi
El Codex inicial pertanyia a la família GPT i s’adaptà a codi. L’article de recerca de 2021 descriu 159 GB de Python filtrat procedents de 54 milions de repositoris públics. A HumanEval obtingué un 28,8 % amb una mostra i un 70,2 % permetent-ne cent per problema. Són resultats històrics del model investigat, no la precisió actual de Copilot.
Avui el servei reuneix models d’OpenAI, Anthropic, Google, xAI i Microsoft, entre d’altres. Allotjament i condicions varien segons el model; també hi ha opcions locals compatibles. Cal avaluar model i client separadament: un mateix motor pot rebre fitxers, eines o instruccions diferents en dues aplicacions.
Fusion afegeix selecció i coordinació durant l’execució. Pot utilitzar un model, una cascada amb revisió o diversos crítics que examinen una proposta. Seleccionar Fusion vol dir triar aquest sistema, no fixar un únic model per a tota la conversa.
El context útil combina petició, codi pertinent, convencions i resultats d’eines. Per convertir una funció Python a un altre llenguatge, no n’hi ha prou amb conservar-ne l’aspecte: cal mantenir tractament de valors buits, dates, decimals i errors. Una explicació generada pot orientar la revisió; les proves comproven el comportament concret.
Les xifres d’encert depenen dels problemes, nombre d’intents i criteri d’avaluació. Un percentatge d’autocompleció dels primers anys no permet estimar la fiabilitat d’un agent actual en un repositori propi.
Documentació de referència: GitHub — Model choice,2024 · GitHub Docs — Copilot Fusion · GitHub Docs — Model hosting · Chen et al. — Codex research,2021.
Editors, terminal, aplicació i accés mòbil
Els clients compatibles inclouen VS Code, Visual Studio, JetBrains, Eclipse, Vim/Neovim i Xcode, amb diferències entre versions i funcions. La matriu oficial diferencia autocompleció, xat, mode agent, instruccions, MCP i altres capacitats. Una extensió amb suggeriments no ofereix necessàriament tots els fluxos d’una altra.
Copilot CLI situa l’agent a la terminal: pot preparar un pla, editar i executar eines amb permisos configurables. Skills, agents personalitzats, hooks i servidors MCP amplien el flux. Cal valorar les extensions per les operacions que autoritzen, no només per la descripció.
L’aplicació per a Windows, macOS i Linux permet sessions paral·leles amb branques i còpies de treball separades, i revisió de diferències. En organitzacions Business o Enterprise requereix habilitar la política de Copilot CLI. La web i GitHub Mobile aporten altres accessos a converses i tasques; no converteixen el telèfon en el mateix entorn local de compilació.
El novembre de 2026 s’afegí Copilot a JetBrains Air mitjançant ACP, amb requisits propis per a tasques al núvol. La integració amb l’assistent incorporat de Xcode és en versió preliminar pública des de Xcode 27.3 beta; continua sent diferent de l’extensió existent.
Per triar client, parteix d’on són fitxers, dependències i proves. Si una tasca depèn d’un programa instal·lat només en un equip, traslladar-la al núvol exigeix reproduir l’entorn o limitar l’encàrrec.
Documentació de referència: GitHub — CLI general availability · GitHub — Desktop app · GitHub Docs — Feature matrix · GitHub — Xcode assistant preview · GitHub — JetBrains Air.
Agents, projectes i feina delegada
L’agent al núvol pot rebre una tasca, treballar en una branca i presentar canvis mitjançant pull request. Les proteccions documentades inclouen límits d’escriptura, comprovacions i revisió humana abans d’integrar. Les anàlisis de codi, dependències i secrets ajuden a detectar problemes; cal llegir-ne els resultats al costat del canvi.
Una tasca ben formulada identifica el comportament esperat i què s’ha de conservar. «Corregir la importació de dates» és insuficient si no concreta formats, zona horària, camps opcionals i resposta als errors. Un exemple mínim i el resultat esperat permeten comprovar si l’agent ha resolt el problema correcte.
Els projectes de l’aplicació, en versió preliminar pública, agrupen un objectiu persistent, sessions i materials. Poden abastar diversos repositoris o feina sense repositori. Serveixen per coordinar una recerca i els lliurables, mantenint clara la relació de cada resultat amb la font.
Les automatitzacions executen tasques per horari, esdeveniments o API. Actualment s’ofereixen en repositoris privats o interns amb plans elegibles i polítiques habilitades. La configuració diferencia identitat, eines, desencadenants i límits de consum. Una revisió recurrent no hauria d’obtenir permís de publicació només perquè no necessita una persona iniciant-la cada vegada.
En una utilitat auxiliar de SST, es pot encarregar detectar canvis en el format d’una exportació i preparar una proposta d’adaptació. L’equip decidiria després si la diferència modifica el significat i si cal incorporar-la al procés.
Documentació de referència: GitHub — Coding agent · GitHub Docs — Projects · GitHub Docs — Automations · GitHub Docs — Cloud risks and mitigations.
Plans, llicència i consum
L’oferta diferencia Free, Pro, Pro+ i Max per a ús individual, i Business i Enterprise per a organitzacions. Hi ha condicions específiques per a estudiants i altres col·lectius elegibles. Tenir un pla d’allotjament de repositoris GitHub no implica disposar automàticament del mateix nivell de Copilot.
Des del juny de 2026 el consum es mesura amb GitHub AI Credits. El cost depèn del model i dels tokens d’entrada, sortida i memòria cau. Els plans individuals de pagament combinen crèdits base amb una assignació flexible variable. Les guies basades només en «sol·licituds premium» no descriuen la facturació vigent.
La revisió de codi també pot consumir minuts de GitHub Actions. Per pressupostar un pilot, compta converses, execució delegada, revisions i repeticions, i comprova el panell real. Un encàrrec llarg pot necessitar diverses crides encara que l’usuari hagi escrit un sol missatge.
El servei s’utilitza sota condicions comercials i polítiques de compte. La llicència d’un component obert o d’un model no substitueix aquestes condicions ni determina automàticament la del codi produït. Incorporar una dependència exigeix conservar-ne nom, versió, procedència i llicència.
Documentació de referència: GitHub — Plans · GitHub Docs — Individual usage billing · GitHub — June2026billing change.
Dades, privacitat i exclusió de fitxers
La configuració actual permet a GitHub utilitzar interaccions de Free, Pro, Pro+ i Max per entrenament si l’usuari no se n’exclou. Inclou entrades, sortides, fragments de codi i context. Business i Enterprise no utilitzen les dades del client per entrenar models segons les seves condicions. Cal comprovar-ho al compte utilitzat, no inferir-ho del logotip.
El proveïdor que allotja un model pot tenir condicions de retenció diferents de les polítiques de GitHub. Un model local tampoc converteix automàticament en locals les integracions, eines externes o tasques delegades. Identifica quina informació surt de l’equip i a quins serveis va en cada flux.
L’exclusió de contingut de Business i Enterprise ajuda a impedir que determinats fitxers informin suggeriments o siguin llegits amb eines controlades per Copilot. La documentació actual inclou agents, però adverteix d’accessos indirectes i servidors MCP externs. No equival a permisos del sistema operatiu ni garanteix aïllament complet.
En un repositori auxiliar de SST, separa codi i dades de prova dels expedients personals. Una mostra sintètica pot reproduir l’error de format sense noms ni informació de salut. Abans de connectar una font, concreta si cal l’esquema, uns registres de prova o el conjunt complet: són nivells d’exposició diferents.
Documentació de referència: GitHub Docs — Model hosting · GitHub Docs — Individual policies · GitHub Docs — Content exclusion.
Resultats de recerca i aprenentatge
Un experiment publicat per Peng i col·laboradors el 2023, amb 95 desenvolupadors, trobà una reducció del 55,8 % del temps entre els qui completaren un servidor HTTP en JavaScript amb Copilot. Mesura una tasca acotada; no demostra aquest estalvi en tot un departament ni avalua per si sol la qualitat a llarg termini.
Un estudi longitudinal de 2025 a NAV IT comparà 25 usuaris amb 14 no usuaris. No trobà canvis estadísticament significatius en activitat basada en commits després d’adoptar Copilot, tot i recollir percepcions favorables. Temps d’una tasca i activitat registrada són mesures diferents; cap resumeix per si sola el valor del programari lliurat.
La recerca de Pearce i col·laboradors de 2021 generà 1.689 programes en 89 escenaris de seguretat i en trobà aproximadament un 40 % vulnerable. És evidència sobre aquella versió i disseny experimental. Mostra per què el codi plausible necessita anàlisi, no assigna aquest percentatge a qualsevol suggeriment actual.
El debat educatiu també precedeix l’auge dels agents: The Robots Are Coming, de 2022, qüestionà com avaluar programació quan una màquina pot generar solucions. En formació interna convé demanar explicació de decisions, identificació d’un error i adaptació a un cas nou, a més del fitxer final.
Per avaluar una adopció, registra temps fins a acceptació, errors no detectats, esforç de revisió i facilitat de manteniment. Si generar estalvia deu minuts però revisar n’afegeix vint, comptar només línies produïdes descriu activitat, no una millora.
Documentació de referència: Pearce et al. — Asleep at the Keyboard · Peng et al. — Productivity experiment · Stray et al. — Longitudinal study · ACM SIGCSE — Paul Denny interview.
Codi públic, llicències i controvèrsies
L’ús de codi públic per entrenar models i la possible reproducció de fragments han generat controvèrsia des del llançament. Software Freedom Conservancy impulsà el juny de 2022 una campanya per abandonar GitHub per les seves objeccions a Copilot. Aquell any desenvolupadors també difongueren exemples relacionats amb codi de Quake; eren crítiques i demostracions concretes, no una auditoria de totes les sortides.
La demanda presentada el 2022 contra GitHub, Microsoft i OpenAI qüestionà, entre altres aspectes, atribució i condicions de llicències. El 16 de setembre de 2026 el Novè Circuit confirmà la desestimació de determinades reclamacions DMCA sobre informació de drets. La resolució no decidí totes les reclamacions contractuals ni autoritzà de manera general qualsevol entrenament o sortida.
Copilot pot bloquejar coincidències amb codi públic o mostrar referències segons les polítiques aplicables. L’índex no abasta repositoris privats ni tot el codi d’Internet. En suggeriments en línia, les referències corresponen a suggeriments acceptats sense canvis; l’absència de referència no demostra originalitat universal.
La revisió ha de diferenciar si el codi funciona, si la procedència exigeix atribució o condicions, i si la dependència es pot mantenir. Són comprovacions relacionades però diferents. Conservar referències i llicències permet decidir com incorporar, substituir o retirar un fragment sense convertir una resposta de l’assistent en una conclusió jurídica.
Documentació de referència: GitHub Docs — Copilot in IDEs · GitHub Docs — Finding matching code · Software Freedom Conservancy — GiveUpGitHub · GitHub Copilot litigation — Plaintiffs · Ninth Circuit — Doe v GitHub,2026 · Drew DeVault — Quake code criticism.
Aplicacions en seguretat i salut en el treball
La seva relació amb SST apareix quan un equip tècnic manté utilitats que donen suport a processos preventius, com transformar exportacions autoritzades o comprovar la coherència de camps. Pot accelerar la programació, però les regles del procés i la interpretació de les dades han de procedir d’especialistes i documentació aprovada.
En SST, Sabentis proposa utilitzar-lo per mantenir utilitats auxiliars: validar l’estructura d’exportacions autoritzades, documentar transformacions de dades o preparar proves d’un càlcul ja definit per especialistes. També pot explicar un script antic abans de modificar-lo. El seu paper és ajudar a implementar regles conegudes, sense decidir quin indicador representa el risc ni convertir una associació de dades en una conclusió preventiva.
Exemple desenvolupat i comprovacions
Per exemple, un desenvolupador podria demanar ajuda per crear un script que detecti dates impossibles en una còpia de dades de formació. Revisaria el codi i provaria casos coneguts abans d’utilitzar-lo amb informació real.
- Definir què significa una data invàlida a l’exportació de formació: format, camps obligatoris i relacions permeses entre dates.
- Crear un fitxer fictici amb dates vàlides, impossibles, buides i ambigües, juntament amb els resultats esperats.
- Demanar un script que llegeixi una còpia, marqui incidències i generi un informe separat sense modificar l’original.
- Revisar el codi per comprovar interpretació de dia i mes, tractament de valors buits i missatges d’error.
- Executar les proves i comparar els resultats amb els esperats abans d’utilitzar una exportació real autoritzada.
Una data de finalització posterior a la d’inici pot ser vàlida; una regla mal descrita pot marcar-la erròniament. Convé incloure aquests casos a les proves. El lliurable ha d’explicar què s’ha comprovat, què n’ha quedat fora i com repetir l’execució. Detectar una anomalia de format no demostra que una formació no s’hagi fet.
Una bateria fictícia de dotze files pot contenir-ne set de vàlides, dues amb dates impossibles, una sense data obligatòria, una amb final anterior a inici i una d’ambigua com 03/04/2026. S’esperarien set acceptades, quatre incidències definides i una pendent d’aclariment: dotze files conservades. Si la configuració exigeix dia/mes/any i resol l’ambigüitat, serien vuit acceptades i quatre incidències, sense eliminar ni crear registres.
La sortida ha d’incloure identificador de fila, regla aplicada i valor original. Afegir una prova que falla deliberadament permet comprovar que el sistema detecta errors; executar només exemples favorables podria donar falsa confiança. És un cas hipotètic amb criteris d’acceptació, no una prova feta amb dades de Sabentis.
Limitacions i condicions d’ús
Els suggeriments poden contenir errors, dependències inadequades o supòsits no expressats. El codi requereix revisió, proves i control de seguretat; no s’han d’introduir credencials ni dades clíniques en el context de desenvolupament sense autorització i configuració adequades.
El codi pot semblar correcte i, tot i així, produir resultats equivocats, introduir dependències innecessàries o ignorar casos límit. La revisió assistida també pot ometre fallades o assenyalar problemes inexistents. Les proteccions de l’agent i les anàlisis automàtiques no equivalen a una garantia de seguretat. Cal revisar diferències, proves i context abans d’integrar, especialment quan el programa tracta dades sensibles o sistemes compartits.
Documentació de referència: Application card: GitHub Copilot Agents.
Com triar i complementar l’eina
Convé triar GitHub Copilot quan l’equip ja treballa amb repositoris, revisió de canvis i proves, i pot expressar criteris d’acceptació. Excel pot donar suport a la inspecció de mostres i resultats; Codex és una altra eina del catàleg per a tasques de desenvolupament. Cal comparar l’encaix amb el flux de treball i els controls disponibles, sense assumir que un model elimina la revisió tècnica.
Una adopció útil comença amb tasques petites i repetibles. Mesurar errors detectats i temps de revisió aporta més informació que comptar línies generades. Mantenir requisits i proves al costat del codi ajuda que futures modificacions conservin el significat de les regles.
Preguntes freqüents
És el mateix producte que Microsoft Copilot?
No. GitHub Copilot se centra en desenvolupament de programari; no s’hi han de traslladar totes les funcions o condicions d’altres experiències Copilot.
Una pull request creada per l’agent està llesta per integrar?
Està preparada per revisar-la. Cal comprovar requisits, diferències, proves i efectes abans d’integrar-la.
Pot definir per si sol les regles de SST?
No convé delegar-li aquesta decisió. Les regles han de procedir de responsables i documentació aprovada; l’assistent ajuda a implementar-les i comprovar-ne el comportament.
