Noche avanzada frente a la laptop, el té ya se enfrió al lado y en la pantalla hay varias ventanas del editor y la consola abiertas —y tú no trabajas como autor del producto, sino como conmutador humano de un único pasante lento. Esperas a que el asistente de IA termine de escribir un archivo, copias a mano el log del error al chat vecino y reinicias la sesión cuando el modelo pierde el hilo de la conversación.
En GitHub Universe, el 28 de octubre, el equipo de GitHub abrió la vista previa pública de GitHub Copilot Projects en la aplicación de escritorio Copilot App para Mac, Windows y Linux. ¿Cómo dirigir una cuadrilla de agentes autónomos de programación directo desde el escritorio sin que los bots en paralelo conviertan el proyecto en un desastre de archivos rotos?
Cómo el orquestador reparte a los bots en talleres y protege la memoria
Parece que para acelerar bastaría con abrir varios chats con la red neuronal dentro de la misma carpeta del proyecto. En la práctica, los algoritmos se pisan los archivos unos a otros al instante, rompen el índice de Git y tumban las pruebas con cambios ajenos, mientras que en un solo diálogo gigante el modelo sufre deterioro de razonamiento (context rot) —la memoria se llena de código sobrante y pierde la lógica. Lo que me atrapó de Copilot Projects es cómo los ingenieros resolvieron ambas trampas a la vez, pasando al desarrollador de operador de chat a rol de tech lead. En la app o con el comando /fleet planteas un objetivo general, y el orquestador lo divide en subtareas creando para cada una una rama y un árbol de trabajo aislado Git worktree mediante git worktree add: un banco de trabajo personal en una carpeta aparte con su propia ventana de contexto compacta.
Tomemos un microservicio antiguo con fallos en paquetes, código enredado y falta de pruebas. En un solo chat, la limpieza secuencial llevaría 20 minutos. En Copilot Projects, el orquestador levanta en paralelo a tres especialistas: el primero actualiza package.json y cierra vulnerabilidades en la rama fix/deps, el segundo reescribe funciones a async/await en refactor/core y el tercero arma pruebas de integración en test/e2e.
Todos los flujos terminan de forma sincronizada en 4 minutos —en tramos independientes esto ahorra 60–75% de tiempo y cuida los tokens, porque el tester lee solo plantillas de verificación y firmas de métodos sin maquetación ajena. Como mostró en su análisis Julian Goldie, a la derecha en la pestaña Overview todas las sesiones se ven en cuatro estados —las que esperan tu palabra en Needs input, conjuntos de cambios abiertos en Open, ejecuciones activas en Working y completadas—, mientras los pull requests listos pasan a una cola común de revisión.
Además, no es obligatorio vincular código: el proyecto funciona con uno, varios o ningún repositorio —por ejemplo, para analizar reseñas y armar especificaciones en la biblioteca integrada Library— y también soporta automatizaciones programadas, contexto desde Slack y Figma y la vista previa de control de programas Computer use.
Fusión de ramas sin roturas y dónde patina el pool paralelo
Aislar a los bots mientras editan es solo la mitad del trabajo, porque al final hay que fusionar las ramas de vuelta al proyecto principal. En los detalles rutinarios ayuda el asistente Agent merge, que repara por sí mismo fallos en las verificaciones de Actions y cruces simples de líneas, así que la actualización de paquetes, las pruebas y el README pasan sin tropiezos. Pero basta con tocar una capa oculta de la arquitectura para que las ramas limpias choquen de frente en el merge final: si un bot cambia tipos de datos globales en el núcleo y el segundo escribe en paralelo pruebas para el formato antiguo, tocará resolver el conflicto a mano. También sobra semejante equipo para un arreglo menor en un solo repositorio —revisé la documentación de GitHub y allí mismo recomiendan abrir para eso una sesión normal. Ten en cuenta también el espacio en disco para copias de node_modules o target y el estado de vista previa, donde los límites de cuota aún se están afinando; mientras tanto, analizamos alternativas locales abiertas con el ejemplo de las fábricas de software y el orquestador Ordewell.
Para que la cuadrilla de asistentes ahorre horas en lugar de multiplicar conflictos, mantén tres reglas operativas al fijar el objetivo:
- Un proyecto, un objetivo. No mezcles ideas dispares: define un foco único y deja claros desde el principio cuatro pilares: propósito, primeras tareas, resultado esperado y restricciones.
- Lo independiente en paralelo; los contratos compartidos en fila. Reparte a la vez pruebas, paquetes y documentación, pero pasa estrictamente en secuencia los cambios a estructuras de datos base.
- Empieza la ronda por
Needs input. Revisa este grupo primero en la pestaña Overview: mientras un agente espera tu permiso, su rama queda en pausa y frena todo el ensamblaje.
La fuerza de un tech lead no se mide por la velocidad al teclear en el chat, sino por su capacidad de repartir las tareas desde la orilla para aprobar por la tarde pull requests limpios con tranquilidad.

