Choisir le bon modèle d’IA, automatiser les tâches récurrentes, faire avancer une pull request jusqu’à sa fusion : ces activités occupent une place croissante dans le quotidien des équipes de développement.

GitHub Universe 2026 est maintenant terminé. Parmi les annonces de la conférence, trois évolutions de Copilot méritent qu’on s’y attarde : Fusion, Automations et les améliorations autour des pull requests. Elles dessinent une même direction : accompagner davantage d’étapes du travail logiciel, de la demande initiale à la préparation de la fusion.

Copilot Fusion pour simplifier le choix des modèles

L’accès à plusieurs modèles apporte de la souplesse, mais aussi une nouvelle décision à prendre : lequel utiliser pour cette tâche ? Et faut-il en changer lorsqu’on passe de l’écriture du code au débogage ?

Copilot Fusion prend en charge cette sélection. Selon la demande, il choisit un modèle ou orchestre plusieurs modèles. Une tâche simple peut être traitée par un seul modèle ; une demande plus exigeante peut faire intervenir une évaluation ou des critiques avant la réponse finale.

Le développeur choisit un niveau d’effort : Standard pour le travail quotidien, High pour des changements plus complexes ou Max pour les analyses les plus approfondies. Les niveaux High et Max peuvent mobiliser plusieurs modèles et consommer davantage de crédits. Le choix doit donc tenir compte de la difficulté de la tâche et du coût acceptable.

Le sélecteur de modèles propose Copilot Fusion et un niveau d’effort, tout en conservant la possibilité de choisir un modèle précis.

Prenons une application de gestion de tâches à laquelle on souhaite ajouter des tags. La demande porte sur une fonctionnalité limitée : Fusion peut sélectionner un modèle pour commencer le travail, sans que le développeur ait à comparer lui-même chaque option disponible.

Dans cette capture, Copilot Fusion indique avoir sélectionné GPT-6 Luna parce que la tâche présente une faible complexité.

Ce qui me paraît utile ici, c’est la réduction du temps consacré au choix du modèle. L’attention peut se porter sur le besoin, les critères de réussite et la vérification des changements proposés.

Côté coût, GitHub annonce un rabais de 30 % sur les coûts des modèles utilisés avec Copilot Fusion, jusqu’au 30 novembre 2026, pour les abonnements Copilot payants. Cette réduction concerne l’usage des modèles avec Fusion, et non le prix de l’abonnement.

Copilot Automations pour déléguer les tâches récurrentes

Trier les issues, préparer un résumé ou examiner régulièrement un dépôt : certaines tâches reviennent assez souvent pour justifier une automatisation. Copilot Automations permet de définir une consigne, de choisir un déclencheur et de limiter les outils que Copilot peut utiliser. [3]

Le déclencheur détermine quand le travail commence : à un horaire donné ou en réponse à un événement du dépôt. Les outils autorisés déterminent les actions possibles. Les annonces d’Universe ajoutent notamment des déclencheurs, des connexions à des outils externes et des plafonds de consommation de crédits. [

L’écran de création rassemble le nom, la consigne et les réglages du déclencheur. La capture montre une configuration en cours.

Exemple concret : dans un projet .NET, on pourrait demander à une automatisation de lancer les tests et de publier un résumé à l’ouverture d’une pull request, à condition de lui fournir l’environnement et les outils nécessaires. Le résultat attendu serait un compte rendu des tests réussis, des échecs et des éléments à examiner.

La liste des automatisations permet de retrouver les tâches configurées. La démonstration affichée ici utilise un déclenchement horaire.

GitHub a également présenté des automatisations capables d’exploiter les retours sur leurs résultats pour proposer des améliorations. Par exemple, les corrections apportées par l’équipe aux étiquettes attribuées peuvent aider à affiner les consignes. Les changements proposés restent soumis à validation avant application

Des pull requests mieux accompagnées jusqu’à la fusion

Écrire le code ne termine pas le travail. Une pull request doit encore être relue, passer les vérifications et rester compatible avec la branche cible. Les nouveautés de Copilot portent aussi sur cette étape.

Copilot code review propose désormais un niveau Max, en préversion publique. Plusieurs agents de revue utilisant des modèles de différents fournisseurs examinent les changements, puis leurs constats sont rassemblés en une seule revue. Ce niveau vise les modifications qui demandent un examen approfondi ; il prend davantage de temps et consomme plus de crédits.

Les approbations Copilot sont, elles, disponibles de façon générale. Lorsqu’elles sont activées, elles peuvent compter dans les approbations exigées par le dépôt. Elles sont désactivées par défaut, et les administrateurs peuvent définir les chemins de fichiers que Copilot est autorisé à approuver.

Exemple d’utilisation : une modification du parcours d’authentification. L’équipe pourrait demander une revue Max pour compléter son examen d’un changement sensible. Les constats obtenus seraient ensuite confrontés aux exigences du produit et aux résultats des tests avant la décision de fusion.

GitHub a aussi annoncé l’intégration d’Agent Merge aux pull requests sur GitHub. Déjà présent dans l’application GitHub Copilot et dans Visual Studio Code, il accompagne le suivi et la correction des pull requests dans le cloud. Il traite ainsi une autre partie du travail qui reste à accomplir après la création d’une PR.

Ce que je retiens de ces annonces

Ces évolutions font une place plus importante à la délégation dans le travail du développeur. Fusion simplifie la sélection des modèles. Automations donne un cadre aux tâches récurrentes. Les améliorations autour des pull requests accompagnent la revue et la préparation de la fusion.

Le rôle de l’équipe reste déterminant : formuler une demande précise, définir ce qui peut être délégué et évaluer les résultats. Pour mesurer l’intérêt de ces outils, je commencerais par un cas concret, comme le tri d’issues ou une revue de code bien délimitée. Le temps gagné, la pertinence des résultats et le nombre de corrections nécessaires donneraient une première mesure de leur utilité.

Plusieurs de ces capacités sont accessibles dans Visual Studio Code et l’application GitHub Copilot. La disponibilité dépend toutefois de la fonctionnalité, de l’abonnement et des paramètres de l’organisation ; certaines restent en préversion.

Après Universe, le prochain test se fera dans les dépôts des équipes : ces outils permettront-ils de livrer des changements fiables avec moins de travail de suivi ?