¿Qué ocurriría si una herramienta pudiera decidir, como quien reparte las tareas de una casa, qué trabajo conviene hacer en la computadora y cuál enviar afuera? Para los desarrolladores, esa elección puede ahorrar tiempo, créditos de IA y algunos dolores de cabeza.
Microsoft prepara Copilot Auto, una función para GitHub Copilot que buscará distribuir de forma automática las tareas entre modelos de inteligencia artificial locales y modelos alojados en la nube. El objetivo apunta a finales de octubre de 2026, aunque todavía no está disponible para activarla.
El plan fue anunciado el 7 de octubre en un video en inglés sobre enrutamiento automático, es decir, la decisión de enviar cada pedido al sistema más conveniente. GitHub Copilot evaluaría el contexto de la tarea y la caché, la memoria temporal de una conversación, antes de elegir el camino.
La pieza clave es que el desarrollador ya no tendría que resolver cada elección a mano. Hasta ahora, la alternativa es BYOK, Bring Your Own Key o “trae tu propia clave”, un mecanismo que permite configurar manualmente el proveedor y el modelo que responderán.
Un tablero eléctrico para las tareas de programación
Copilot Auto se parece al tablero eléctrico de una vivienda. No todos los aparatos necesitan la misma potencia: una lámpara consume poco, mientras que un horno exige más energía. Del mismo modo, una pregunta simple sobre un archivo de código podría procesarse dentro de la PC, mientras una tarea compleja podría viajar a la nube.
La IA local sería como usar un enchufe de la propia casa; la nube, como conectarse a una central eléctrica con mayor capacidad. El interruptor digital decidiría qué circuito conviene encender en cada momento.
GitHub ya incorporó detección automática de modelos locales instalados mediante Ollama o Foundry Local. Esos modelos pueden resultar útiles para consultas sencillas, explicaciones sobre una base de código y automatizaciones en segundo plano, tareas que se ejecutan sin exigir atención constante del usuario.
Además, este camino puede evitar el consumo de créditos de IA en actividades cotidianas. Sin embargo, el ahorro no es mágico: ejecutar un modelo dentro del equipo utiliza memoria, procesador y electricidad. La oportunidad consiste en equilibrar esos recursos según la necesidad real.
En Copilot CLI, la aplicación de línea de comandos, ya se pueden conectar proveedores de tipo OpenAI, Azure y Anthropic. GitHub recomienda modelos con una ventana de contexto de al menos 128.000 tokens, unidades que representan fragmentos de texto, para sostener conversaciones largas sin perder piezas importantes del código.
Pero hay una diferencia central entre procesar una petición en el equipo y trabajar realmente aislado. La opción COPILOT_OFFLINE=true impide que Copilot CLI contacte con los servidores de GitHub, pero no bloquea necesariamente a un proveedor remoto configurado previamente.
En otras palabras, cerrar la puerta principal no garantiza que todas las ventanas estén cerradas. Para que el código y las solicitudes permanezcan dentro de la computadora, el usuario debe configurar un proveedor local y revisar cómo está conectado su entorno.
También conviene separar dos engranajes que pueden confundirse. La inferencia, el proceso mediante el cual el modelo genera una respuesta, define dónde se procesa el pedido. El sandbox, un límite de seguridad para procesos y archivos, controla de manera independiente qué acciones puede ejecutar el agente.
Elegir un modelo local no activa por sí solo ese límite de seguridad. Cuando el sandbox está activo, los comandos de sistema operan dentro de una zona controlada, pero los servidores remotos pueden quedar fuera de ese cerco local.
Microsoft aún no confirmó el alcance final de Copilot Auto, su fecha exacta de salida ni posibles cambios en los planes y precios de GitHub Copilot. El hallazgo detrás de la propuesta es claro: la asistencia con IA podría dejar de ser una sola puerta y transformarse en una casa con circuitos mejor organizados.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
