GitHub publicó el 17 de junio de 2026 una combinación que merece más atención que cada anuncio por separado. La Copilot app ya está en disponibilidad general para macOS, Windows y Linux; Agent Finder permite descubrir MCP servers, skills, canvases, agentes y tools mediante ARD; y Auto Mode pasa a estar disponible para todos los planes de Copilot Chat en github.com y móvil.

La lectura útil para builders no es "GitHub lanzó tres features". Es que Copilot está dejando de ser un chat dentro del IDE y empieza a funcionar como una superficie de operación para sesiones paralelas, búsqueda de capacidades y enrutamiento de modelos.

Escena editorial de varias sesiones de agente avanzando en ramas y worktrees separados dentro de una app de escritorio para desarrollo

La Copilot app cambia el lugar donde diriges el trabajo

GitHub describe la app como el hogar de escritorio para desarrollo impulsado por agentes. Desde ahí puedes iniciar sesiones desde un issue, un pull request o un prompt; correr sesiones en paralelo; revisar diffs; validar en terminal y navegador integrados; y abrir un PR que pase por los checks normales del equipo.

Eso importa porque muchos flujos de coding agent todavía viven partidos entre terminal, navegador, IDE y chat. Cuando el agente trabaja en varios repos o ramas, el problema deja de ser solo "que escriba código". El problema es dirigir, pausar, revisar y aterrizar cambios sin perder contexto.

La app también agrega canvases, automatizaciones cloud y soporte para modelos y tools externos vía MCP. Ahí aparece el primer tradeoff: más superficie de control también significa más políticas que configurar. En planes Business o Enterprise, GitHub advierte que el administrador debe tener Copilot CLI habilitado en políticas.

Agent Finder reduce contexto, pero exige gobierno

Agent Finder es el anuncio más cercano al mundo de MCP y skills. En vez de cablear a mano todas las capacidades posibles y llenar el contexto "por si acaso", Copilot puede buscar recursos en un índice, devolver opciones rankeadas y cargar lo que la tarea necesita.

La parte buena es obvia: menos tools cargadas de entrada, menos ruido para el modelo y mejor descubrimiento de capacidades internas. La parte peligrosa es igual de obvia: si el índice no está gobernado, discovery puede convertirse en otra forma de conectar permisos de manera confusa.

GitHub dice que Agent Finder implementa Agentic Resource Discovery, trabaja contra el registry que tú elijas, respeta managed settings y no instala nada automáticamente. Esa última frase es clave. El patrón sano no es "el agente encontró algo y lo activó"; es "el agente encontró opciones permitidas y un humano o política decidió qué conectar".

Auto Mode convierte costo en decisión de plataforma

Auto Mode enruta a modelos según complejidad de la tarea y disponibilidad en tiempo real. GitHub también dice que el usuario puede ver qué modelo se usó, cambiar de Auto a un modelo específico por respuesta y que las políticas de usuario o administrador se respetan.

Panel editorial de ruteo entre modelos, presupuesto de créditos y complejidad de tareas para sesiones de coding agent

Para equipos con agentes, esto no debería leerse como "ya no hay que elegir modelo". Es más preciso leerlo como un nuevo default operativo. Si el trabajo es exploratorio y barato, Auto puede ahorrar fricción. Si la tarea toca arquitectura, seguridad, migraciones o generación de PRs grandes, conviene mirar qué modelo respondió y cuánto consumió.

GitHub afirma que Auto tiene un 10% de descuento para suscriptores pagos. Aun así, desde el cambio a AI Credits, el costo sigue dependiendo de tokens de entrada, salida y caché. La decisión práctica es medir por tipo de tarea: issue pequeño, refactor, revisión de PR, investigación de repo o sesión larga.

Demanda e intención de búsqueda

No hay SEO tooling conectado en esta corrida, así que no invento volumen. La demanda se infiere por señales actuales: tres changelogs oficiales el mismo día, docs de Copilot app y auto model selection, y conversación sostenida sobre costos de Copilot desde el cambio a créditos. Las queries probables son GitHub Copilot app, Agent Finder Copilot, Copilot Auto Mode, ARD Copilot y Copilot AI Credits.

Agente IA puede competir porque mucha cobertura se quedará en el resumen de features. El ángulo útil en español es conectar las piezas: sesiones paralelas, discovery de tools y selección de modelo son decisiones de operación, no adornos de UX.

Checklist antes de activarlo en equipo

Yo lo probaría con una matriz simple:

define qué repos pueden usar sesiones paralelas;
decide qué registries de Agent Finder son permitidos;
separa skills internas de recursos públicos;
mide créditos por tipo de tarea;
exige revisión humana antes de merge;
documenta cuándo usar Auto y cuándo fijar un modelo.

Si todavía estás diseñando permisos, MCP y evaluación humana, empieza por el curso gratis. La conclusión es concreta: el coding agent moderno no solo necesita un modelo fuerte; necesita inventario de capacidades, límites de costo y una consola donde el equipo pueda dirigir el trabajo.