GitHub Copilot Fusion automatisiert die Modellauswahl zur Senkung der API-Kosten

GitHub hat Copilot Fusion eingeführt, ein neues Orchestrierungssystem, das die Modellauswahl für Coding-Aufgaben automatisieren soll. Die Ankündigung erfolgte am 28. Oktober 2026 auf der GitHub Universe in San Francisco. Das Tool zielt darauf ab, die kognitive Belastung der Entwickler zu reduzieren und die API-Ausgaben durch dynamische Weiterleitung von Aufgaben an die effizientesten Modelle zu senken.

Was passiert ist

Das neue System kombiniert die fortschrittliche Laufzeit-Modellorchestrierung aus Project HydraFusion mit der automatischen Modellauswahl von Copilot (Copilot Auto Model Selection). Diese Integration ermöglicht es GitHub Copilot, sowohl die Entscheidung darüber, welches Modell verwendet wird, als auch die Koordination der Interaktion dieser Modelle während einer Aufgabe zu übernehmen. Entwickler müssen nicht mehr manuell zwischen verschiedenen Modellen für unterschiedliche Arbeitstypen wechseln, etwa für logisches Denken, Codegenerierung, Debugging oder Tool-Nutzung.

GitHub gibt an, dass die höchste Einstufung, Fusion Max, eine Benchmark-Leistung erbringt, die mit Claude Code unter Verwendung von Opus 5.5 Max vergleichbar ist. Dies wird jedoch zu ungefähr der Hälfte der durchschnittlichen API-Kosten pro Aufgabe erreicht. Das Unternehmen berichtet zudem, dass Fusion Max Aufgaben etwa 40 % schneller abschließt als der Wettbewerber und dabei nur etwa halb so viele Tokens verbraucht. Diese Kennzahlen wurden während der Keynote auf der GitHub Universe im Rahmen der breiteren Vision des Unternehmens hervorgehoben, das weltweit umfassendste Software-Bereitstellungssystem zu werden.

Frühe Anwender haben praktische Vorteile in ihren täglichen Workflows festgestellt. Hari Pokhrel, Principal Software Engineer bei AT&T, erklärte, dass das System die Token-Effizienz innerhalb seines Teams verbessert habe. Er merkte an, dass Entwickler oft vergessen, von leistungsstarken, teuren Modellen zurück zu leichteren Modellen für Routineaufgaben zu wechseln, was zu unnötigen Ausgaben führt. Copilot Fusion behebt dieses Problem, indem es die Modellnutzung automatisch basierend auf den spezifischen Anforderungen jedes Schritts im Workflow anpasst.

Wie es funktioniert

Copilot Fusion analysiert die Art einer Coding-Aufgabe und wählt das geeignete Modell oder die Kombination von Modellen aus, um sie auszuführen. Anstelle einer statischen Auswahl kann das System dynamische Strategien wie Kaskaden- oder Kritik-Workflows einsetzen. In einem Kaskaden-Workflow generiert ein erstes Modell eine Antwort, die dann einer Qualitätsprüfung unterzogen wird. Erfüllt die Ausgabe bestimmte Kriterien, wird sie akzeptiert; andernfalls wird die Aufgabe an ein leistungsfähigeres Modell eskaliert. In einem Kritik-Workflow überprüft und verfeinert ein Modell die Arbeit eines anderen.

Entwickler behalten die Kontrolle über die allgemeine Intensität des Aufwands durch drei voreingestellte Stufen. Fusion Standard ist für alltägliche Coding-Aufgaben konzipiert und balanciert Geschwindigkeit und Kosten. Fusion High ist für anspruchsvollere Probleme gedacht, die tieferes logisches Denken erfordern. Fusion Max ist für die komplexesten und anspruchsvollsten Arbeiten reserviert und nutzt die volle Leistung des Orchestrierungs-Engines. Dieser gestufte Ansatz ermöglicht es Teams, den Ressourceneinsatz an die Komplexität der Aufgaben anzupassen, ohne einzelne Modellaufrufe mikromanagen zu müssen.

Enterprise-Administratoren haben ebenfalls granulare Kontrolle über das System. Sie können definieren, welche Modelle Copilot Fusion zur Auswahl stehen, und somit bestimmte Modelle für das Orchestrierungs-Engine deaktivieren, während sie diese bei Bedarf für die direkte Nutzung zugänglich halten. Administratoren können die Richtlinienstatus für jedes Modell unabhängig anpassen und festlegen, ob Copilot Fusion die Standardoption für die Entwickler ihrer Organisation sein soll.

Wichtige Details

• Copilot Fusion wurde am 28. Oktober 2026 auf der GitHub Universe in San Francisco angekündigt.
• Das System integriert die Orchestrierung von Project HydraFusion mit der automatischen Modellauswahl von Copilot.
• GitHub behauptet, dass Fusion Max die Benchmarks von Claude Code (Opus 5.5 Max) zu halben API-Kosten erreicht.
• Laut Berichten benötigen Aufgaben, die von Fusion Max verarbeitet werden, 40 % weniger Zeit und verwenden halb so viele Tokens.
• Nutzer können zwischen drei Aufwandsstufen wählen: Fusion Standard, Fusion High und Fusion Max.
• Enterprise-Administratoren können einschränken, an welche Modelle das Fusions-Engine Aufgaben weiterleiten darf.

Warum das wichtig ist

Für Engineering-Leader und Entwickler liegt der Hauptwert in der Reduzierung operativer Reibungsverluste und Kosten. Die manuelle Auswahl des richtigen Modells für jede Teilaufgabe ist geistig belastend und fehleranfällig. Entwickler greifen oft standardmäßig zum leistungsstärksten Modell, um Qualität sicherzustellen, und erhöhen unbeabsichtigt die Kosten für einfache Refactoring- oder Dokumentationsaufgaben. Durch die Automatisierung dieser Entscheidung ermöglicht Copilot Fusion Ingenieuren, sich auf die architektonische Ausrichtung und das Ergebnis zu konzentrieren, statt auf die Feinabstimmung der Infrastruktur.

Die von GitHub gemeldeten Kosteneinsparungen sind für Organisationen, die KI-gestützte Entwicklung skalieren, erheblich. Wenn sich die Behauptung, die API-Kosten zu halbieren, in Produktionsumgebungen bestätigt, wirkt sich dies direkt auf das Endergebnis von KI-lastigen Engineering-Teams aus. Darüber hinaus hilft die Möglichkeit, Modellrichtlinien auf administrativer Ebene durchzusetzen, Unternehmen dabei, Compliance- und Budgetbeschränkungen zu verwalten, ohne die Produktivität der Entwickler einzuschränken. Dieser Wandel spiegelt einen breiteren Branchentrend wider, bei dem intelligentes Routing zum Standard für KI-Coding-Agenten wird, wie ähnliche Schritte von Ramp und Replit zeigen.

Was Sie tun können

• Bewerten Sie Ihre aktuellen API-Ausgaben für Coding-Assistenten, um eine Baseline für Vergleichszwecke zu erstellen.
• Testen Sie die drei Aufwandsstufen (Standard, High, Max) an repräsentativen Aufgaben, um Leistungsunterschiede zu messen.
• Überprüfen Sie die Einstellungen für Enterprise-Administratoren, um festzulegen, welche Modelle für das automatische Routing verfügbar sein sollen.
• Überwachen Sie die Token-Nutzung und die Abschlusszeiten von Aufgaben nach der Aktivierung von Copilot Fusion, um Effizienzgewinne zu verifizieren.
• Schulen Sie Ihr Team im neuen Workflow und betonen Sie, dass sie die Modellauswahl delegieren können, während sie die Aufsicht behalten.
• Vergleichen Sie die Ausgabequalität von Fusion Max mit Ihrem derzeitigen primären Modell für komplexe Debugging-Szenarien.