GitHub Copilot Fusion automatiza la selección de modelos para reducir los costes de API

GitHub ha presentado Copilot Fusion, un nuevo sistema de orquestación diseñado para automatizar la selección de modelos en tareas de programación. Anunciado el 28 de octubre de 2026 durante GitHub Universe en San Francisco, esta herramienta busca reducir la carga cognitiva de los desarrolladores y disminuir los gastos de API mediante el enrutamiento dinámico del trabajo hacia los modelos más eficientes.

Qué ha ocurrido

El nuevo sistema combina la avanzada orquestación de modelos en tiempo de ejecución de Project HydraFusion con la Selección Automática de Modelos de Copilot (Copilot Auto Model Selection). Esta integración permite a GitHub Copilot gestionar tanto la decisión sobre qué modelo utilizar como la coordinación de cómo interactúan esos modelos durante una tarea. Los desarrolladores ya no necesitan cambiar manualmente entre modelos para distintos tipos de trabajo, como razonamiento, generación de código, depuración o uso de herramientas.

GitHub afirma que su configuración de gama alta, Fusion Max, ofrece un rendimiento en pruebas comparables al de Claude Code utilizando Opus 5.5 Max. Sin embargo, lo logra a aproximadamente la mitad del coste medio de API por tarea. La empresa también informa que Fusion Max completa las tareas alrededor de un 40% más rápido que el competidor, utilizando aproximadamente la mitad de tokens. Estas métricas se destacaron durante la conferencia inaugural de GitHub Universe como parte de la visión más amplia de la compañía de convertirse en el sistema de entrega de software más completo a nivel mundial.

Los primeros usuarios han observado beneficios prácticos en sus flujos de trabajo diarios. Hari Pokhrel, ingeniero de software principal en AT&T, declaró que el sistema mejoró la eficiencia de tokens dentro de su equipo. Señaló que los desarrolladores a menudo olvidan volver a usar modelos más ligeros desde otros potentes y costosos para actividades rutinarias, lo que genera gastos innecesarios. Copilot Fusion aborda esto ajustando automáticamente el uso de modelos según los requisitos específicos de cada paso en el flujo de trabajo.

Cómo funciona

Copilot Fusion opera analizando la naturaleza de una tarea de programación y seleccionando el modelo adecuado o la combinación de modelos para ejecutarla. En lugar de una elección estática, el sistema puede emplear estrategias dinámicas como flujos de cascada o de crítica. En un flujo de cascada, un modelo inicial genera una respuesta, que luego es evaluada por un control de calidad. Si la salida cumple ciertos criterios, se acepta; de lo contrario, la tarea se escala a un modelo más capaz. En un flujo de crítica, un modelo revisa y refina el trabajo de otro.

Los desarrolladores conservan el control sobre la intensidad general del esfuerzo mediante tres niveles preestablecidos. Fusion Standard está diseñado para tareas de codificación cotidianas, equilibrando velocidad y coste. Fusion High está destinado a problemas más difíciles que requieren un razonamiento más profundo. Fusion Max se reserva para el trabajo más complejo y exigente, aprovechando todo el poder del motor de orquestación. Este enfoque por niveles permite a los equipos alinear el uso de recursos con la complejidad de la tarea sin microgestionar las llamadas individuales a los modelos.

Los administradores empresariales también tienen un control granular sobre el sistema. Pueden definir qué modelos están disponibles para que Copilot Fusion seleccione, desactivando efectivamente modelos específicos para el motor de orquestación mientras los mantiene accesibles para uso directo si es necesario. Los administradores pueden ajustar los estados de política para cada modelo de forma independiente y determinar si Copilot Fusion sirve como opción predeterminada para los desarrolladores de su organización.

Detalles clave

• Copilot Fusion fue anunciado el 28 de octubre de 2026 en GitHub Universe en San Francisco.
• El sistema integra la orquestación de Project HydraFusion con la Selección Automática de Modelos de Copilot.
• GitHub afirma que Fusion Max iguala las pruebas de referencia de Claude Code (Opus 5.5 Max) a la mitad del coste de API.
• Las tareas procesadas por Fusion Max supuestamente tardan un 40% menos y usan la mitad de tokens.
• Los usuarios eligen entre tres niveles de esfuerzo: Fusion Standard, Fusion High y Fusion Max.
• Los administradores empresariales pueden restringir a qué modelos el motor de fusión tiene permitido enrutar tareas.

Por qué importa

Para líderes de ingeniería y desarrolladores, la principal propuesta de valor es la reducción de la fricción operativa y del coste. Seleccionar manualmente el modelo correcto para cada subtarea es mentalmente agotador y propenso a errores. Los desarrolladores suelen recurrir por defecto al modelo más potente para garantizar la calidad, inflando inadvertidamente los costes para tareas simples de refactorización o documentación. Al automatizar esta decisión, Copilot Fusion permite a los ingenieros centrarse en la dirección arquitectónica y los resultados en lugar de en el ajuste de la infraestructura.

El ahorro de costes reportado por GitHub es significativo para organizaciones que escalan el desarrollo asistido por IA. Si la afirmación de reducir a la mitad los costes de API se sostiene en entornos de producción, impacta directamente en el resultado final de los equipos de ingeniería intensivos en IA. Además, la capacidad de aplicar políticas de modelos a nivel administrativo ayuda a las empresas a gestionar el cumplimiento normativo y las restricciones presupuestarias sin sofocar la productividad de los desarrolladores. Este cambio refleja una tendencia más amplia de la industria donde el enrutamiento inteligente se está convirtiendo en el estándar para agentes de codificación de IA, como se ve con movimientos similares de Ramp y Replit.

Qué puedes hacer

• Evalúa tu gasto actual en API con asistentes de codificación para establecer una línea base para la comparación.
• Prueba los tres niveles de esfuerzo (Standard, High, Max) en tareas representativas para medir las diferencias de rendimiento.
• Revisa la configuración administrativa empresarial para definir qué modelos deben estar disponibles para el enrutamiento automático.
• Monitorea el uso de tokens y los tiempos de finalización de tareas después de habilitar Copilot Fusion para verificar las ganancias de eficiencia.
• Educa a tu equipo sobre el nuevo flujo de trabajo, enfatizando que pueden delegar la selección de modelos manteniendo la supervisión.
• Compara la calidad de salida de Fusion Max contra tu modelo principal actual para escenarios complejos de depuración.