Ejecuta una tarea real a dos niveles de esfuerzo para evaluar Copilot Fusion

Estás decidiendo si un agente de código por nivel de esfuerzo mejorará el resultado sin inflar el coste. Pasa una tarea real del backlog por la misma prueba que le darías a un ingeniero junior: mismo prompt, Standard y Max, y luego compara los resultados con un diff.

Copilot Fusion está disponible de forma general en GitHub Copilot desde el 28 de octubre de 2026, y los usuarios eligen Standard para la codificación diaria, High para tareas desafiantes o Max para las tareas más exigentes. Se ofrece en todos los planes de Copilot en Visual Studio Code, la aplicación GitHub Copilot, GitHub Copilot CLI y los IDE de JetBrains. El benchmark está muy ajustado en puntuación: Fusion Max costó $5.59 por tarea y obtuvo 60, mientras que Claude Code con Claude Opus 5.5 Max costó $11.42 y obtuvo 62. Las etiquetas son marketing, pero la prueba es mecánica: ejecuta la misma tarea dos veces y deja que el diff hable.

La prueba A/B del mismo día mantiene la prueba honesta

La lista de verificación es el mínimo para una comparación limpia. Trata la ejecución como cualquier otra tarea de tu cola.

• Elige una tarea real con un estado de finalización claro, como una prueba que falla, un pequeño refactor o un bug con un caso reproducible.
• Guarda el prompt, el estado del repositorio y los criterios de aceptación antes de ejecutar nada.
• Encola la misma tarea en Standard y luego en Max, manteniendo el mismo prompt y el mismo punto de partida.
• Guarda ambos diffs, ambos informes de uso y los nombres de los modelos que aparecen en el informe.
• Revisa el informe de uso en busca de contexto en caché, límites de política de organización y cualquier modelo que aparezca solo en una ejecución.
• Compara los dos costes frente al coste del modelo que ya pagas para la misma tarea.

El diff es la verdadera tabla de resultados

Busca el primer punto donde los dos resultados dejan de coincidir. Un pequeño cambio en una función auxiliar puede ser inofensivo. Una migración modificada, una nueva bandera de configuración o una ruta de error distinta son un riesgo de liberación. Las cifras del benchmark son un prior, no una promesa para tu repositorio.

Un informe de uso te dice qué pasó; un diff te dice si importó. Una ejecución en Max que modifica la API pública, añade una dependencia o reescribe un módulo que Standard dejó intacto conlleva un coste que debes asignar. Una ejecución en Standard que pasa las pruebas mientras Max solo añade comentarios muestra que el nivel de esfuerzo superior gasta tokens en pulir.

Los informes de uso ocultan el coste real

GitHub cobra los modelos que usa Fusion a tarifas estándar, sin un cargo adicional por Fusion, y los planes de pago de Copilot obtienen un 30 % de descuento en esos costes de modelo hasta el 30 de noviembre de 2026. Los recuentos de tokens son la parte visible de la factura. La parte oculta es el contexto. El contexto en caché puede hacer que una ejecución parezca más barata sin una mejor configuración. La política de organización puede bloquear un modelo y forzar una alternativa que cambia tanto el coste como el comportamiento. Un informe que muestra un modelo distinto al esperado invalida la ejecución; repítela.

Fusion usó 7,2 millones de tokens por tarea, aproximadamente la mitad del uso de tokens de Claude Code con Opus 5.5. Esa diferencia es lo que necesitas verificar en tu propia carga de trabajo, porque el uso de tokens depende de cuánto contexto incluye tu tarea.