GitHub actualizó Copilot code review el 25 de junio de 2026 con dos cambios que parecen internos, pero dicen mucho sobre hacia dónde van las revisiones agentic. Primero, el nivel Medium analysis depth en preview ahora puede marcarse en el overview del PR y configurarse como default de organización para repos sin configuración propia. Segundo, Copilot code review empezó a usar herramientas de exploración de archivos de Copilot CLI y SDK como grep, rg, glob y view.

GitHub dice que esa combinación redujo los costos de Copilot code review cerca de 20% manteniendo el mismo estándar de calidad en evaluaciones offline y online. La cifra importa, pero el mecanismo importa más.

Pipeline editorial donde Copilot code review usa rg, grep, glob y view para buscar archivos relevantes antes de comentar un PR

La señal: buscar bien también es inteligencia

Muchas discusiones de agentes se van directo al modelo. Esta mejora recuerda algo más básico: un reviewer automático no necesita leer todo con la misma profundidad. Necesita encontrar los archivos relevantes, entender el diff, ubicar contexto cercano y no gastar tokens en ruido.

Usar rg, grep, glob y view no suena futurista. Precisamente por eso es buena señal. Son herramientas deterministas, baratas y auditables. Si el agente sabe buscar antes de razonar, puede reservar razonamiento caro para los lugares donde sí hay riesgo.

Para builders, el patrón se puede copiar fuera de Copilot:

primero limitar el universo de archivos;
luego leer contexto cercano;
después aplicar reglas de review;
finalmente escalar a análisis profundo solo si el cambio lo justifica.

Medium depth necesita contrato de equipo

El nivel medio no debería ser "prenderlo para todo". GitHub lo está llevando a defaults de organización con override por repositorio, lo cual sugiere una política sana: definir baseline por tipo de repo y dejar excepciones documentadas.

Tablero editorial de defaults por organización, repositorios con override y costo de revisión por profundidad

Una matriz práctica podría verse así:

docs y cambios pequeños: revisión estándar;
auth, pagos, seguridad, datos o migraciones: medium depth;
repos experimentales: automatic review con límites claros;
PRs generados por agentes: revisión automática más instrucciones específicas.

La documentación de Copilot code review también deja claro que sus comentarios no cuentan como aprobación ni bloquean merge por sí mismos. Eso es correcto. Un agente puede acelerar hallazgos, pero no debe reemplazar el ownership humano en cambios sensibles.

Dónde se equivoca un equipo

El error común es medir solo "comentó o no comentó". Para evaluar una revisión agentic necesitas mirar:

falsos positivos que distraen;
bugs reales encontrados;
costo por PR revisado;
tiempo hasta feedback;
qué archivos leyó;
si usó instrucciones, skills o MCP cuando correspondía;
si los comentarios terminaron en cambios útiles.

Si además usas Copilot cloud agent para aplicar sugerencias con Fix with Copilot, separa dos métricas: calidad del comentario y calidad del patch. Son trabajos distintos.

Demanda e intención

No hay tooling SEO conectado en esta corrida. La demanda se infiere por el changelog oficial, la presión de equipos que revisan PRs generados por agentes y queries como Copilot code review analysis depth, Medium analysis depth Copilot, Copilot code review cost y AI code review rg grep.

Agente IA puede competir porque el ángulo en español no es "Copilot cuesta menos". Es cómo diseñar revisiones automáticas con presupuesto, profundidad y contexto medible. Si todavía estás ordenando instrucciones y criterios de agente, empieza por el curso gratis. La conclusión corta: la revisión agentic empieza a ganar cuando combina búsquedas deterministas, defaults de equipo y escalamiento selectivo de razonamiento.