Qué es GitHub Copilot
GitHub Copilot es un servicio de asistencia y agentes de IA para desarrollar software. Su punto de partida fue el autocompletado de código; su alcance actual incluye conversación sobre proyectos, edición de archivos, ejecución de tareas y revisión de propuestas de cambio. Lo ofrece GitHub, con modelos de distintos proveedores.
Conviene separar tres elementos: el producto, que organiza acceso y herramientas; el modelo, que interpreta contexto y genera respuestas; y el entorno de ejecución, donde se leen archivos o se ejecutan pruebas. Elegir un modelo no determina por sí solo los permisos del agente ni dónde se procesa la información.
GitHub Copilot tiene suscripción y condiciones propias. No es Microsoft Copilot para consultas generales o trabajo ofimático, ni el agente Codex de OpenAI, aunque pueda utilizar tecnología o integraciones de esos proveedores. Para un equipo de SST resulta pertinente cuando existe un trabajo concreto de programación que apoya la gestión preventiva.
Documentación de referencia: GitHub — Technical preview, June2021 · GitHub — Plans.
Historia y principales etapas
El 29 de junio de 2021 GitHub presentó la versión técnica preliminar, desarrollada con OpenAI y basada inicialmente en Codex. Llegó primero a Visual Studio Code. En octubre se amplió a Neovim y a entornos JetBrains; el 29 de marzo de 2022 se añadió Visual Studio 2022. La disponibilidad general por suscripción comenzó el 21 de junio de 2022.
Como antecedente de la asistencia dentro del editor, Microsoft Research había mostrado Bing Code Search para Visual Studio 2013 en febrero de 2014: recuperaba ejemplos de código de la web. Ese enfoque de búsqueda ayuda a entender la evolución de estas herramientas, pero no demuestra que Copilot sea simplemente una nueva versión del mismo programa.
- 2023: Copilot Chat extendió la interacción mediante lenguaje natural. En noviembre GitHub anunció su actualización a GPT-4 y la disponibilidad general prevista para diciembre.
- Octubre de 2024: la elección de modelos se amplió con propuestas de Anthropic y Google junto a OpenAI.
- 6 de febrero de 2025: se presentó el modo agente en VS Code, capaz de encadenar ediciones y herramientas.
- 19 de mayo de 2025: el coding agent añadió trabajo asíncrono en un entorno de GitHub Actions y entrega mediante pull request.
- 2026: Copilot CLI alcanzó disponibilidad general el 25 de febrero y la aplicación de escritorio el 17 de junio. En octubre, Fusion y los proyectos ampliaron la coordinación entre modelos, repositorios y sesiones.
La evolución cambia el trabajo que se delega: completar una línea, modificar una función y mantener una tarea en segundo plano exigen contextos y comprobaciones diferentes. Una guía antigua de autocompletado no describe toda la plataforma actual.
Documentación de referencia: 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.
Funciones y funcionamiento
- Asistencia para escribir y explicar código.
- Trabajo con tareas de desarrollo y proyectos.
- Integración con entornos y herramientas de programación.
GitHub Copilot combina asistencia mientras se programa con funciones de agente. Las sugerencias en línea proponen código; el chat ayuda a explicarlo o modificarlo; los agentes pueden investigar un repositorio, editar archivos, ejecutar herramientas y preparar cambios para revisión. Las capacidades disponibles dependen del cliente, el plan y las políticas de la organización.
El contexto incluye código e instrucciones del proyecto. La salida puede ser una explicación, una modificación o una propuesta de integración mediante pull request. Esta última permite inspeccionar diferencias y resultados de comprobaciones antes de incorporar el cambio; que el agente termine una tarea no demuestra que el comportamiento sea correcto.
Documentación de referencia: About GitHub Copilot · Application card: GitHub Copilot Agents.
Modelos, contexto y generación de código
El Codex inicial pertenecía a la familia GPT y se adaptó a código. El artículo de investigación de 2021 describe 159 GB de Python filtrado procedentes de 54 millones de repositorios públicos. Su evaluación HumanEval obtuvo un 28,8 % con una muestra y un 70,2 % al permitir cien por problema. Son resultados históricos del modelo investigado, no la precisión actual de Copilot.
Hoy el servicio reúne modelos de OpenAI, Anthropic, Google, xAI y Microsoft, entre otros. El alojamiento y las condiciones varían según el modelo; también existen opciones locales compatibles. Los modelos y el cliente deben evaluarse por separado: un mismo motor puede recibir archivos, herramientas o instrucciones distintos en dos aplicaciones.
Fusion añade selección y coordinación durante la ejecución. Puede usar un modelo, una cascada con revisión o varios críticos que examinan una propuesta. Seleccionar Fusion significa elegir ese sistema de coordinación, no fijar un único modelo para toda la conversación.
El contexto útil combina petición, código pertinente, convenciones y resultados de herramientas. Para convertir una función de Python a otro lenguaje, por ejemplo, no basta conservar su apariencia: hay que mantener tratamiento de valores vacíos, fechas, decimales y errores. Una explicación generada puede orientar la revisión, mientras que las pruebas comprueban el comportamiento concreto.
Las cifras de acierto dependen del conjunto de problemas, número de intentos y criterio de evaluación. Un porcentaje de autocompletado de los primeros años no permite estimar la fiabilidad de un agente actual en un repositorio propio.
Documentación de referencia: GitHub — Model choice,2024 · GitHub Docs — Copilot Fusion · GitHub Docs — Model hosting · Chen et al. — Codex research,2021.
Editores, terminal, aplicación y acceso móvil
Los clientes compatibles incluyen VS Code, Visual Studio, JetBrains, Eclipse, Vim/Neovim y Xcode, con diferencias entre versiones y funciones. La matriz oficial distingue autocompletado, chat, modo agente, instrucciones, MCP y otras capacidades. Que una extensión admita sugerencias no implica que ofrezca todos los flujos de otra.
Copilot CLI sitúa el agente en la terminal: puede preparar un plan, editar y ejecutar herramientas, con permisos configurables. Skills, agentes personalizados, hooks y servidores MCP amplían el flujo. Las extensiones deben evaluarse por las operaciones que autorizan, no solo por su descripción.
La aplicación para Windows, macOS y Linux permite sesiones paralelas con ramas y copias de trabajo separadas, y revisión de diferencias. En organizaciones Business o Enterprise, su acceso requiere que la política de Copilot CLI esté habilitada. La web y GitHub Mobile aportan otros puntos de acceso a conversaciones y tareas; no convierten el teléfono en el mismo entorno local de compilación.
En noviembre de 2026 se añadió Copilot a JetBrains Air mediante ACP, con requisitos propios para tareas en la nube. La integración con el asistente incorporado de Xcode se encuentra en versión preliminar pública desde Xcode 27.3 beta; sigue siendo distinta de la extensión existente.
Para elegir cliente, parte de dónde están los archivos, las dependencias y las pruebas. Si una tarea depende de un programa instalado únicamente en un equipo, trasladarla a la nube exige reproducir ese entorno o limitar el alcance del encargo.
Documentación de referencia: GitHub — CLI general availability · GitHub — Desktop app · GitHub Docs — Feature matrix · GitHub — Xcode assistant preview · GitHub — JetBrains Air.
Agentes, proyectos y trabajo delegado
El agente en la nube puede recibir una tarea, trabajar en una rama y presentar cambios mediante una pull request. Las protecciones documentadas incluyen límites de escritura, comprobaciones y revisión humana antes de integrar. Los análisis de código, dependencias y secretos ayudan a detectar problemas; sus resultados deben leerse junto al cambio propuesto.
Una tarea bien formulada identifica el comportamiento esperado y lo que debe conservarse. «Corregir la importación de fechas» es insuficiente si no concreta formatos admitidos, zona horaria, campos opcionales y respuesta ante errores. Adjuntar un ejemplo mínimo y el resultado esperado permite comprobar si el agente resolvió el problema correcto.
Los proyectos de la aplicación, en versión preliminar pública, agrupan un objetivo persistente, sesiones y materiales. Pueden abarcar varios repositorios o trabajo sin repositorio. Son útiles para coordinar una investigación y sus entregables, siempre que cada resultado conserve una relación clara con su fuente.
Las automatizaciones ejecutan tareas por horario, eventos o API. Actualmente se ofrecen en repositorios privados o internos con planes elegibles y políticas habilitadas. Su configuración distingue identidad, herramientas, desencadenantes y límites de consumo. Una tarea recurrente de revisión no debería obtener permiso de publicación solo porque funciona sin una persona iniciándola cada vez.
En una utilidad auxiliar de SST, el encargo puede pedir detectar cambios en el formato de una exportación y preparar una propuesta de adaptación. El equipo decidiría después si esa diferencia representa un cambio de significado y si debe incorporarse al proceso.
Documentación de referencia: GitHub — Coding agent · GitHub Docs — Projects · GitHub Docs — Automations · GitHub Docs — Cloud risks and mitigations.
Planes, licencia y consumo
La oferta distingue Free, Pro, Pro+ y Max para uso individual, además de Business y Enterprise para organizaciones. Existen condiciones específicas para estudiantes y otros colectivos elegibles. Tener un plan de alojamiento de repositorios GitHub no significa disponer automáticamente del mismo nivel de Copilot.
Desde junio de 2026 el consumo se mide mediante GitHub AI Credits. El coste depende del modelo y de los tokens de entrada, salida y caché. Los planes individuales de pago combinan créditos base con una asignación flexible variable. Las guías antiguas basadas únicamente en «solicitudes premium» no describen la facturación vigente.
La revisión de código puede consumir también minutos de GitHub Actions. Para presupuestar un piloto, cuenta conversaciones, ejecución delegada, revisiones y repeticiones; comprueba el panel real de consumo. Un encargo largo puede necesitar varias llamadas aunque el usuario haya escrito un solo mensaje.
El servicio se utiliza bajo condiciones comerciales y políticas de cuenta. La licencia de un componente abierto o de un modelo no sustituye esas condiciones ni determina automáticamente la licencia del código producido. La decisión de incorporar una dependencia debe conservar su nombre, versión, procedencia y licencia.
Documentación de referencia: GitHub — Plans · GitHub Docs — Individual usage billing · GitHub — June2026billing change.
Datos, privacidad y exclusión de archivos
La configuración actual permite a GitHub utilizar interacciones de Free, Pro, Pro+ y Max para entrenamiento si el usuario no se excluye. Incluye entradas, salidas, fragmentos de código y contexto. Business y Enterprise no utilizan los datos del cliente para entrenar modelos conforme a sus condiciones. Esta diferencia debe comprobarse en la cuenta utilizada, no inferirse del logotipo de la aplicación.
El proveedor que aloja un modelo puede tener condiciones de retención diferentes de las políticas de GitHub. Una opción de modelo local tampoco convierte automáticamente en locales las integraciones, herramientas externas o tareas delegadas. Para un flujo concreto, identifica qué información sale del equipo y hacia qué servicios.
La exclusión de contenido de Business y Enterprise ayuda a impedir que determinados archivos informen sugerencias o sean leídos mediante herramientas controladas por Copilot. La documentación actual incluye agentes, pero advierte de accesos indirectos y servidores MCP externos. No equivale a permisos del sistema operativo ni garantiza aislamiento completo.
En un repositorio auxiliar de SST, separa código y datos de prueba de expedientes personales. Una muestra sintética puede reproducir el error de formato sin contener nombres o información de salud. Antes de conectar una fuente, concreta si se necesita su esquema, unos registros de prueba o el conjunto completo: son niveles de exposición distintos.
Documentación de referencia: GitHub Docs — Model hosting · GitHub Docs — Individual policies · GitHub Docs — Content exclusion.
Resultados de investigación y aprendizaje
Un experimento publicado por Peng y colaboradores en 2023, realizado con 95 desarrolladores, encontró una reducción del 55,8 % del tiempo entre quienes completaron un servidor HTTP en JavaScript con Copilot. El estudio mide una tarea acotada; no demuestra ese ahorro en todo un departamento ni evalúa por sí solo la calidad a largo plazo.
Un estudio longitudinal de 2025 en NAV IT comparó 25 usuarios con 14 no usuarios. No halló cambios estadísticamente significativos en actividad basada en commits después de adoptar Copilot, aunque recogió percepciones favorables. Tiempo de una tarea y actividad registrada son medidas distintas; ninguna resume por sí sola el valor del software entregado.
La investigación de Pearce y colaboradores de 2021 generó 1.689 programas en 89 escenarios de seguridad y encontró aproximadamente un 40 % vulnerable. Es evidencia sobre aquella versión y diseño experimental. Su aportación práctica es mostrar por qué código plausible necesita análisis, no asignar ese porcentaje a cualquier sugerencia actual.
El debate educativo también precede al auge de los agentes: el trabajo The Robots Are Coming, de 2022, cuestionó cómo evaluar programación cuando una máquina puede generar soluciones. En una formación interna conviene pedir explicación de decisiones, identificación de un fallo y adaptación a un caso nuevo, además del archivo final.
Para evaluar una adopción, registra tiempo total hasta aceptación, errores escapados, esfuerzo de revisión y facilidad de mantenimiento. Si la generación ahorra diez minutos pero la revisión añade veinte, contar únicamente líneas producidas describe una actividad, no una mejora.
Documentación de referencia: Pearce et al. — Asleep at the Keyboard · Peng et al. — Productivity experiment · Stray et al. — Longitudinal study · ACM SIGCSE — Paul Denny interview.
Código público, licencias y controversias
El uso de código público para entrenar modelos y la posible reproducción de fragmentos han generado controversia desde el lanzamiento. Software Freedom Conservancy impulsó en junio de 2022 una campaña para abandonar GitHub por sus objeciones a Copilot. Ese año desarrolladores también difundieron ejemplos relacionados con código de Quake; eran críticas y demostraciones concretas, no una auditoría de todas las salidas.
La demanda presentada en 2022 contra GitHub, Microsoft y OpenAI cuestionó, entre otros asuntos, atribución y condiciones de licencias. El 16 de septiembre de 2026 el Noveno Circuito confirmó la desestimación de determinadas reclamaciones DMCA sobre información de derechos. La resolución no decidió todas las reclamaciones contractuales ni estableció una autorización general para cualquier entrenamiento o salida.
Copilot puede bloquear coincidencias con código público o mostrar referencias según las políticas aplicables. Su índice no abarca repositorios privados ni todo el código de Internet. Para sugerencias en línea, las referencias se asocian a sugerencias aceptadas sin cambios; la ausencia de una referencia no demuestra originalidad universal.
La revisión práctica debe distinguir tres preguntas: si el código funciona, si su procedencia exige atribución o condiciones, y si la dependencia puede mantenerse. Son comprobaciones relacionadas pero diferentes. Conservar referencias y licencias encontradas permite decidir cómo incorporar, sustituir o retirar un fragmento sin convertir una respuesta del asistente en una conclusión jurídica.
Documentación de referencia: 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.
Aplicaciones en seguridad y salud en el trabajo
Su relación con SST aparece cuando un equipo técnico mantiene utilidades que apoyan procesos preventivos, como transformar exportaciones autorizadas o comprobar la coherencia de campos. Puede acelerar el trabajo de programación, pero las reglas del proceso y la interpretación de los datos deben proceder de especialistas y documentación aprobada.
En SST, Sabentis propone utilizarlo para mantener utilidades auxiliares: validar la estructura de exportaciones autorizadas, documentar transformaciones de datos o preparar pruebas de un cálculo ya definido por especialistas. También puede explicar un script antiguo antes de modificarlo. Su papel es ayudar a implementar reglas conocidas, sin decidir qué indicador representa el riesgo ni convertir una asociación de datos en una conclusión preventiva.
Ejemplo desarrollado y comprobaciones
Por ejemplo, un desarrollador podría pedir ayuda para crear un script que detecte fechas imposibles en una copia de datos de formación. Revisaría el código y probaría casos conocidos antes de utilizarlo sobre información real.
- Definir qué significa una fecha inválida en la exportación de formación: formato, campos obligatorios y relaciones permitidas entre fechas.
- Crear un archivo ficticio con fechas válidas, imposibles, vacías y ambiguas, junto con los resultados esperados.
- Pedir un script que lea una copia, marque incidencias y genere un informe separado sin modificar el original.
- Revisar el código para comprobar interpretación de día y mes, tratamiento de valores vacíos y mensajes de error.
- Ejecutar las pruebas y comparar los resultados con lo esperado antes de usar una exportación real autorizada.
Una fecha de finalización posterior a la de inicio puede ser válida; una regla mal descrita puede marcarla erróneamente. Conviene incluir esos casos en las pruebas. El entregable debe explicar qué se comprobó, qué quedó fuera y cómo repetir la ejecución. Detectar una anomalía de formato no demuestra que una formación no se haya realizado.
Una batería ficticia de doce filas puede contener siete válidas, dos con fechas imposibles, una sin fecha obligatoria, una con final anterior al inicio y una ambigua como 03/04/2026. El resultado esperado sería siete aceptadas, cuatro incidencias definidas y una pendiente de aclaración: doce filas conservadas. Si la configuración exige día/mes/año y resuelve la ambigüedad, el resultado pasaría a ocho aceptadas y cuatro incidencias, sin eliminar ni crear registros.
La revisión debe comprobar que la salida incluye identificador de fila, regla aplicada y valor original. Añadir una prueba que falla deliberadamente permite verificar que el sistema de comprobación detecta errores; ejecutar solo ejemplos felices podría dar una falsa sensación de corrección. Este caso es hipotético y describe criterios de aceptación, no una prueba realizada en datos de Sabentis.
Limitaciones y condiciones de uso
Las sugerencias pueden contener fallos, dependencias inadecuadas o supuestos no expresados. El código requiere revisión, pruebas y control de seguridad; no debe introducir credenciales ni datos clínicos en el contexto de desarrollo sin una autorización y configuración adecuadas.
El código puede parecer correcto y aun así producir resultados equivocados, introducir dependencias innecesarias o ignorar casos límite. La revisión asistida también puede omitir fallos o señalar problemas inexistentes. Las protecciones del agente y los análisis automáticos no equivalen a una garantía de seguridad. Revisar diferencias, pruebas y contexto antes de integrar, especialmente cuando el programa toca datos sensibles o sistemas compartidos.
Documentación de referencia: Application card: GitHub Copilot Agents.
Cómo elegir y complementar la herramienta
Elegir GitHub Copilot cuando el equipo ya trabaja con repositorios, revisión de cambios y pruebas, y puede expresar criterios de aceptación. Excel puede apoyar la inspección de muestras y resultados; Codex es otra herramienta del catálogo para tareas de desarrollo. Comparar el encaje con el flujo de trabajo y los controles disponibles, sin asumir que un modelo elimina la revisión técnica.
Una adopción útil comienza con tareas pequeñas y repetibles. Medir errores detectados y tiempo de revisión aporta más información que contar líneas generadas. Mantener requisitos y pruebas junto al código ayuda a que futuras modificaciones conserven el significado de las reglas.
Preguntas frecuentes
¿Es el mismo producto que Microsoft Copilot?
No. GitHub Copilot se centra en desarrollo de software; no deben trasladarse a él todas las funciones o condiciones de otras experiencias Copilot.
¿Una pull request creada por el agente está lista para integrar?
Está preparada para revisión. Deben comprobarse requisitos, diferencias, pruebas y efectos antes de integrarla.
¿Puede definir por sí solo las reglas de SST?
No conviene delegarle esa decisión. Las reglas deben proceder de responsables y documentación aprobada; el asistente ayuda a implementarlas y comprobar su comportamiento.
